Google DeepMind применила Antigravity для поиска антимикробных пептидов

Google DeepMind опубликовала технический разбор того, как биологи используют Google Antigravity, агентную платформу для разработки, в роли «агентного научного верстака» для поиска новых антибиотиков. Исходная мотивация: рост устойчивости к антимикробным препаратам, который, по оценке в тексте, мог бы привести примерно к 10 миллионам смертей в год к 2050 году. Это прогноз («could», «estimated»), источник оценки в тексте не указан. Антимикробные пептиды (AMP), в частности бактериоцины, авторы называют перспективной альтернативой обычным антибиотикам: они сформировались эволюционно, чтобы бить по базовым уязвимостям бактерий-конкурентов, и патогенам трудно выработать к ним устойчивость.

Проблема в том, что многие такие пептиды скрыты в «тёмной материи» белковых баз: их функция неизвестна, потому что они не похожи на известные белки. Например, в UniProt (по описанию авторов, ведущем открытом ресурсе по последовательностям и функциям белков) есть миллионы последовательностей с неизвестной функцией, попавших туда прямо из проектов секвенирования геномов. Чтобы закрыть этот пробел, Google разработала ProtNLM (Protein Natural Language Model): глубокую модель, обученную читать эволюционную «грамматику» аминокислотных последовательностей и предсказывать функцию белка по «сырой» последовательности. По утверждению авторов, модель уже добавила уверенные функциональные метки миллионам прежде безымянных записей UniProt.

В демонстрации исследователь и ИИ-агент в Antigravity задают узкую биологическую цель: найти и вычислительно проверить новые AMP у бактерии Streptococcus pseudopneumoniae. В многошаговой интерактивной сессии человек определяет научную стратегию, то есть какие вопросы задавать и какие данные собирать, а агент берёт на себя «тяжёлую работу»: сведение нескольких баз данных, структурный анализ и обзор литературы. Итог сессии: новый кандидат в антимикробные пептиды с предсказанной активностью против патогенов, связанных с инфекциями дыхательных путей. Авторы называют его биологически правдоподобной зацепкой, подкреплённой структурными и геномными данными, но подчёркивают, что требуется проверка в лаборатории, и сообщают, что она сейчас идёт.

Вторая часть анонса: Biomolecular Structure Viewer, встроенный в Antigravity 3D-просмотрщик биомолекул. Исследователь и агент работают над общим визуальным состоянием. Агент берёт структуры из AlphaFold Database или из собственных предсказаний учёного и может сам управлять просмотрщиком, например подсвечивать ключевые функциональные области, чтобы наглядно объяснить гипотезу. Связь двусторонняя: если исследователь выделяет остатки или оставляет заметку на сайте связывания, это синхронизируется с агентом. Можно отметить участок в 3D и спросить, например: «Как этот β-тяж может влиять на связывание с липидом II?», и агент рассуждает с учётом именно той структуры, которую видит учёный.

По словам авторов, раньше подобное требовало разрозненного специализированного софта: собственных скриптов для запросов к базам, ручного экспорта в программы 3D-моделирования, отдельных геномных инструментов и нескольких экспертов для планирования лабораторных тестов. Antigravity, по их утверждению, сводит дни разрозненной сортировки по базам к одной совместной сессии и позволяет заранее сузить поиск до самых надёжных кандидатов, что важно, поскольку лабораторная проверка остаётся дорогой по ресурсам. Сессия касалась узкого окна аминокислотных последовательностей у одного вида; как сказано в тексте, исследователи могут добавлять новые критерии фильтрации, менять длину последовательностей или брать другие приоритетные патогены, расширяя поиск от комменсалов человека до почвенных и прочих микроорганизмов.

Ключевые факты

• Google DeepMind показала, как биологи с агентной платформой Google Antigravity нашли кандидата в антимикробные пептиды у Streptococcus pseudopneumoniae: предсказана активность против возбудителей инфекций дыхательных путей.
• Кандидат проходит лабораторную проверку; авторы сами называют его биологически правдоподобной зацепкой, которой ещё нужна проверка в лаборатории. Результатов экспериментов в посте нет.
• Модель ProtNLM предсказывает функцию белка по аминокислотной последовательности и, по словам авторов, добавила функциональные метки миллионам безымянных записей UniProt.
• Google представила Biomolecular Structure Viewer: 3D-просмотрщик внутри Antigravity с двусторонней синхронизацией; агент берёт структуры из AlphaFold Database или из предсказаний учёного.
• Заявленная выгода: дни разрозненного перебора баз превращаются в одну совместную сессию; цифр экономии времени в посте нет.

Почему это важно

Устойчивость бактерий к антибиотикам названа в посте одним из самых острых глобальных кризисов здравоохранения (прогноз: около 10 миллионов смертей в год к 2050 году, с оговоркой «could», без ссылки на источник). Поиск новых препаратов медленный и трудоёмкий, а огромная часть белков в базах остаётся без описания функции. Пост показывает, как Google пытается встроить поиск в агентную платформу: модель предсказывает функцию, агент сводит базы и литературу, человек задаёт стратегию. Пока это демонстрация подхода, а не доказанный результат: результатов лабораторной проверки кандидата ещё нет.

Кому это важно

В первую очередь биоинформатикам и биологам, которые ищут антимикробные пептиды и работают с UniProt, AlphaFold Database и структурными данными. Также тем, кто следит за тем, как ИИ-агенты выходят за рамки программирования в «научные верстаки» с общим визуальным контекстом между человеком и агентом.

Как это применить

Из текста следует схема работы: поставить узкую биологическую цель (вид или группа патогенов), в многошаговой сессии просить агента свести данные из нескольких баз, проанализировать структуры и литературу, а затем проверять гипотезы в Biomolecular Structure Viewer, выделяя области и задавая вопросы по ним. Расширять поиск можно новыми критериями фильтрации, другой длиной последовательностей или другими патогенами. Сведений о доступе, цене и сроках появления просмотрщика и научного верстака в источнике нет.

Можно ли доверять

Это материал самой Google DeepMind, то есть продуктовая демонстрация, а не независимая оценка. Активность кандидата только предсказана, а не измерена, и авторы прямо говорят, что нужна лабораторная проверка. Утверждения об ускорении («дни в одну сессию») качественные, без измеренных цифр, без числа отобранных кандидатов и без сравнения с другими методами. Пептид не назван, его последовательность не приведена. Оценка в 10 миллионов смертей к 2050 году дана без источника.

Риски и подводные камни

Главный риск: предсказанная активность может не подтвердиться в эксперименте, а итог проверки и сроки неизвестны. Результаты основаны на вычислительных предсказаниях и работе одной демонстрационной сессии на узком участке последовательностей одного вида; перенос на другие патогены и масштаб («at scale») пока заявлены, а не показаны. В посте не указано, какая модель лежит в основе агента Antigravity, поэтому воспроизводимость и качество рассуждений агента оценить трудно.

«Как этот β-тяж может влиять на связывание с липидом II?»

— пример вопроса исследователя к агенту в Biomolecular Structure Viewer, блог Google DeepMind