Google Antigravity ускорила поиск потенциальных антимикробных пептидов

Исследователи Google DeepMind представили результаты применения агентной исследовательской платформы Google Antigravity для поиска и предварительной оценки новых антимикробных пептидов. Инструментарий объединяет анализ геномных баз данных, моделирование пространственных структур белков и подготовку лабораторных протоколов. Один из обнаруженных кандидатов уже проходит экспериментальную проверку, сообщает Google DeepMind.

Антибиотикорезистентность и неаннотированные белки

Рост устойчивости микроорганизмов к существующим антибиотикам (AMR) остаётся одной из наиболее серьёзных угроз глобальному здравоохранению. По оценке, приведённой Google DeepMind, к 2050 году антимикробная резистентность может стать причиной до 10 млн смертей ежегодно.

Одним из перспективных направлений поиска новых средств борьбы с устойчивыми инфекциями являются антимикробные пептиды (AMP), в частности бактериоцины. Эти молекулы в процессе эволюции приобрели способность воздействовать на различные уязвимые структуры конкурирующих бактерий — от клеточной оболочки до важных внутриклеточных механизмов.

При этом значительная часть природных аминокислотных последовательностей, полученных в результате геномного и метагеномного секвенирования, остаётся недостаточно изученной. Например, международная база данных UniProt содержит миллионы белковых последовательностей с неизвестными биологическими функциями.

Для решения этой проблемы Google разработала модель глубокого обучения ProtNLM (Protein Natural Language Model). Она анализирует эволюционные закономерности аминокислотных последовательностей и прогнозирует биологические функции белков непосредственно по их первичной структуре. Модель позволяет присваивать функциональные аннотации миллионам ранее неохарактеризованных записей UniProtKB/TrEMBL.

Google Antigravity: объединение вычислительных методов поиска

Платформа Google Antigravity представляет собой агентную исследовательскую среду, в которой учёный определяет биологическую задачу и направляет работу ИИ-агента. Система координирует поиск по различным базам данных, структурный анализ белков и изучение научной литературы.

В демонстрационном исследовании специалисты поставили задачу обнаружить новые антимикробные пептиды у бактерии Streptococcus pseudopneumoniae, связанной с инфекциями дыхательных путей.

В ходе интерактивной работы были выполнены следующие этапы:

• Первичный поиск. ИИ-агент обработал миллионы записей UniProt и выделил перспективный кандидат — бактериоцин семейства Lactococcin 972 длиной 97 аминокислот (UniProt ID: A0A0U0D591).
• Проверка последовательностной новизны. С использованием сервиса EMBL-EBI NCBI-BLAST исследователи сопоставили последовательность кандидата с курируемой базой Swiss-Prot. Значимых последовательностных гомологов среди вручную аннотированных белков обнаружено не было.
• Структурный анализ. Агент получил предсказанную пространственную структуру белка из AlphaFold Protein Structure Database и сопоставил её с экспериментально установленными структурами. Результаты показали близкое сходство пространственной укладки кандидата с известным бактериоцином, что поддержало первоначальную функциональную гипотезу.
• Анализ геномного окружения. Система изучила соседние гены и установила, что ген-кандидат расположен всего в 6 парах оснований перед опероном, включающим пермеазу ABC-транспортера, потенциальный АТФ-связывающий белок, другой аннотированный бактериоцин и транскрипционный регулятор семейства XRE. Такое геномное окружение служит дополнительным аргументом в пользу принадлежности молекулы к бактериоциновой системе.

От вычислительного прогноза к лабораторной проверке

На следующем этапе ИИ-агент проанализировал научную литературу и сформировал гипотезу о возможном механизме действия пептида. В частности, имеющиеся сведения указывают на потенциальное воздействие на процессы деления бактериальной клетки. Также была сформирована гипотеза о спектре активности в отношении ряда устойчивых к лекарственным препаратам патогенов.

На основе вычислительных результатов и анализа литературы платформа подготовила план экспериментальной проверки, включающий:

• экспрессию белка;
• определение чувствительности микроорганизмов к антимикробному воздействию;
• проверку взаимодействия с предполагаемой молекулярной мишенью;
• оценку токсичности in vitro.

Обнаруженный бактериоцин и несколько других кандидатов, выявленных с использованием того же исследовательского подхода, уже проходят лабораторную валидацию (wet-lab validation). Именно экспериментальные результаты должны подтвердить или опровергнуть вычислительные прогнозы.

Единая исследовательская среда для работы с белковыми структурами

Отдельным компонентом Google Antigravity стал Biomolecular Structure Viewer — инструмент трёхмерной визуализации биомолекул, интегрированный непосредственно в исследовательскую платформу.

Он позволяет учёному и ИИ-агенту совместно изучать предсказанные структуры белков, выделять функциональные участки, отмечать аминокислотные остатки и анализировать предполагаемые участки связывания. Изменения визуального представления синхронизируются с рабочим контекстом ИИ-агента, что позволяет уточнять исследовательские гипотезы непосредственно в процессе анализа.

По данным Google DeepMind, такой подход сокращает время, необходимое для предварительного отбора перспективных белковых кандидатов: вместо работы с разрозненными базами данных, специализированными программами и отдельными инструментами структурного анализа исследователь может выполнять основные вычислительные операции в рамках одной интерактивной сессии.

При этом разработчики подчёркивают, что вычислительный анализ не заменяет лабораторных исследований. Окончательная оценка антимикробной активности, безопасности и перспективности обнаруженных молекул требует экспериментального подтверждения.