使用 Google Antigravity 加速抗菌肽的探索

# 使用 Google Antigravity 加速抗菌肽的发现 来源：https://deepmind.google/blog/accelerating-antimicrobial-discovery/ 随着抗菌素耐药性水平不断攀升，新型抗生素的需求日益迫切，但寻找新的治疗手段往往是一个缓慢且耗费人力的过程。借助 Google Antigravity——我们的智能体开发平台，这一过程如今变得更加简便。 Google Antigravity 提供了一个智能体科学工作台，帮助生物学家快速发现、结构评估并筛选有前景的靶点，将过去需要在多个数据库之间碎片化的搜索压缩为一次会话即可完成。它还帮助研究人员使用 ProtNLM——一个从氨基酸序列预测生物学功能的模型——扫描 UniProt 数据库中数以百万计的此前未被表征的蛋白质。 本技术演示将展示生物学家如何利用 Google Antigravity 发现一种新型抗菌肽候选物，其预测活性针对呼吸道感染相关病原体。此处确定的候选先导化合物目前正在接受湿实验验证。 ## 寻找新型抗菌肽 不断上升的[抗菌素耐药性](https://www.gov.uk/government/publications/health-matters-antimicrobial-resistance/health-matters-antimicrobial-resistance)是我们这个时代最紧迫的全球健康危机之一，预计到 2050 年可能导致全球每年 1000 万人死亡。为防止这一情况，我们迫切需要发现新的治疗手段。抗菌肽（AMPs），尤其是细菌素，提供了一个有前景的抗生素替代方案，因为它们自然进化出的能力使其能够靶向竞争细菌的基本弱点——从细胞包膜到关键的胞内机器——从而使病原体难以产生耐药性。 基因组和宏基因组测序的指数级增长已将数十亿条天然氨基酸序列填充到全球数据库中。这批天然数据已经催生了像 Nisin 这样全球广泛使用的细菌素，以及近年来通过基因组挖掘取得的突破，如 Darobactin、Dynobactin 和 Lariocidin。 然而，许多序列仍然被封存在蛋白质数据库中未被注释的"暗物质"中，其功能尚未表征，因为它们与已知蛋白质缺乏相似性。例如，全球领先的蛋白质序列和功能信息公共数据库 [UniProt](https://www.uniprot.org/) 中，有数百万条序列的功能未知，它们直接来自基因组测序项目。 为弥合这一差距，Google 开发了 [ProtNLM（蛋白质自然语言模型）](https://www.uniprot.org/help/ProtNLM)，这是一个深度学习模型，经过训练能够直接解读氨基酸序列中潜在的进化"语法"。这使得模型能够直接从原始蛋白质序列为数百万条此前未命名的 UniProt 条目提供高置信度的功能标签。 ProtNLM 管道概览：将原始氨基酸序列转化为自然语言生物学注释，用于未经审核的 UniProtKB/TrEMBL 条目。该系统的功能注释范围涵盖蛋白质名称、功能描述、亚细胞定位和 GO 术语，以及关键词。 ## 协同智能 科学发现很少是一个单步骤的过程；寻找可行的候选蛋白质需要人类的直觉和反复迭代，以纳入新的经验证据。在 Antigravity 中，研究人员和 AI 智能体首先设定一个聚焦的生物学目标：在*肺炎链球菌（Streptococcus pseudopneumoniae）*中发现并计算验证新型抗菌肽。在一次交互式、多轮对话会话中，研究人员主导科学策略，决定提出哪些问题、收集哪些证据，而智能体则负责跨数据库协调、结构分析和文献综合等繁重工作。 我们在本次演示中发现的候选物代表了一个具有生物学合理性的先导化合物，有结构和基因组证据支撑，但它仍需湿实验验证。其意义在于它大幅降低了日常生物工作流的门槛，将原本需要数天的碎片化数据库筛选工作转变为一次协作会话。虽然本次会话聚焦于*肺炎链球菌*中一段狭窄的氨基酸窗口，但研究人员可以将对话引向任何方向，例如叠加新的筛选条件、探索不同的序列长度，或针对其他重点病原体。通过将搜索范围从人类共生菌扩展到环境微生物乃至更广泛的领域，科学家可以引导智能体在整个 UniProt 中大规模发现新型抗菌肽候选物。 ## 共享 3D 画布实现交互式协作 蛋白质的三维结构有助于我们理解其生物学功能。检查候选物在空间中的预测折叠构象至关重要。为了在一个工作区内提供这种端到端的工作流，我们推出了 **生物分子结构查看器（Biomolecular Structure Viewer）**——一个直接嵌入 Antigravity 的三维可视化工具。 研究人员与智能体在一个共享的视觉状态上协同工作。当智能体从 AlphaFold 数据库或科学家自己的预测中获取结构时，它可以动态驱动查看器。例如，它可以高亮关键功能区域，以可视化的方式解释其假设。至关重要的是，这种感知是双向的：像高亮特定残基或在结合口袋上直接添加批注等操作，会同步回传给智能体。研究人员只需在三维空间中标记感兴趣的区域并提问，例如"这条 β-链可能如何影响脂质 II（Lipid II）的结合？"，智能体便可立即基于科学家正在查看的确切结构上下文进行推理。 Antigravity 内嵌的生物分子结构查看器，显示了候选细菌素的 AlphaFold 预测结构，为研究人员和智能体提供了一个共享的三维画布，用于检查和标注功能区域。 ## 加速科学发现 从历史上看，要获得上述工作流中所展示的洞察，需要使用碎片化且高度专业化的软件：编写自定义脚本查询数据库、手动将文件导出到三维建模程序、管理彼此脱节的基因组学工具，以及与多位专家合作设计湿实验方案。由于湿实验验证依然资源密集，事先将搜索范围缩小到最高置信度的候选物至关重要。使用 Google Antigravity 可以让研究人员高效导航广阔的生物学搜索空间，同时利用来自领域专用模型的精准蛋白质功能预测。 Google Antigravity 在一处完成端到端的科学推理。这让科学家能够将更多时间用于评估高质量的假设、在实验室中开展实验，以及解决研究中的难题。 ## 致谢 我们要感谢以下团队成员的贡献：Maria Gabriela Cardoso、Victoria Johnston、Lexi Walker、Gena Hong、James King、Richard Green、Filip Radlinski、Artem Sobolev、Michael V. LeVine、Ruijie K. Zhang、Zachary Wu、Luca Schulz、Amy Danson、Tristan Oliver Kwan、Ryan Krueger、Oleg Kovalevskiy、Doug Fritz、Yunhan Xu、Sebastian Nowozin