Google Antigravity нашёл кандидата в антимикробные пептиды среди 97 аминокислот

Google DeepMind опубликовал разбор того, как биологи с помощью агентной платформы Antigravity нашли кандидата в новые антимикробные пептиды. Результат: бактериоцин из 97 аминокислот с предсказанной активностью против возбудителей респираторных инфекций. Сейчас его проверяют в лаборатории, так что пока это вычислительная гипотеза, а не готовый препарат. Но сам процесс интересен: работа, которая раньше расползалась по нескольким базам данных и инструментам, уместилась в одну интерактивную сессию.

Зачем искать в «тёмной материи»

Антимикробная резистентность остаётся одной из главных проблем здравоохранения. По оценке авторов, к 2050 году она может приводить к 10 миллионам смертей в год. Антимикробные пептиды, особенно бактериоцины, считаются перспективной альтернативой классическим антибиотикам. Они эволюционно настроены бить по базовым уязвимостям бактерий-конкурентов, от клеточной оболочки до внутриклеточных механизмов, и патогенам сложнее выработать устойчивость.

Прецеденты есть: Nisin используют по всему миру, а Darobactin, Dynobactin и Lariocidin стали недавними находками, добытыми из геномов. Проблема в том, что большая часть последовательностей в публичных базах не размечена. В UniProt миллионы белков с неизвестной функцией: они приехали прямо из геномных проектов и не похожи на изученные белки, поэтому классический поиск по сходству их не видит.

Как устроена связка Antigravity и ProtNLM

Здесь в дело вступает ProtNLM, языковая модель белков. Она обучена читать эволюционную «грамматику» аминокислотных последовательностей и предсказывать по ним названия белков, комментарии о функции, локализацию в клетке, термины GO и ключевые слова. Модель уже обогатила миллионы непомеченных записей UniProt.

Antigravity добавляет слой оркестрации. Исследователь задаёт цель: найти и вычислительно проверить новые AMP у Streptococcus pseudopneumoniae. Дальше он ведёт многоходовой диалог, решает, какие вопросы задавать и какие доказательства собирать. Агент берёт на себя рутину: ходит по базам, анализирует структуры, сводит литературу.

В разобранном примере цепочка выглядит так:

• агент фильтрует миллионы записей до нескольких кандидатов и находит бактериоцин A0A0U0D591 длиной 97 аминокислот из семейства Lactococcin 972;
• новизну проверяют через сервис EMBL-EBI NCBI-BLAST по Swiss-Prot: среди вручную проверенных белков значимых гомологов нет;
• 3D-модель кандидата берут из AlphaFold Protein Structure Database, ищут удалённые гомологи среди экспериментально определённых структур и накладывают модели друг на друга;
• фолд оказался близок к экспериментально изученному бактериоцину, что подтверждает предсказание ProtNLM;
• итог: предсказанная активность против патогенов респираторных инфекций и передача лида на wet-lab валидацию.

Что здесь пока не доказано

Главная оговорка в самом тексте: лабораторная проверка идёт. Структурное сходство и отсутствие гомологов в Swiss-Prot повышают приоритет кандидата, но не гарантируют, что пептид убьёт бактерии в пробирке, а тем более окажется безопасным и стабильным в организме. Отсутствие гомологов в курируемой базе тоже не равно абсолютной новизне.

При этом логика разумная. Человек остаётся в роли постановщика гипотез, агент снижает стоимость каждой проверки, а источники проверки независимы: последовательность, структура, литература.

Практический вывод

Для лабораторий и биотех-команд сигнал простой: агентные платформы начинают закрывать этап «найти и отранжировать» до того, как пойдут реагенты и время сотрудников. Если вы работаете с геномными данными, стоит собрать такой же пайплайн из открытых компонентов: UniProt, BLAST, AlphaFold DB и просмотр структур. Ценность определит не число найденных кандидатов, а доля подтверждённых в wet-lab. Именно эти цифры стоит ждать от Google дальше.