跳到正文
Google DeepMind·· 2026-10-16AI 评分48

用 Google Antigravity 加速抗菌肽搜索

Accelerating the search for antimicrobial peptides with Google Antigravity

AI 导读

Google Antigravity 智能体科学工作台把跨多个数据库的抗菌肽检索压缩进单次会话,并借助 ProtNLM 扫描 UniProt 中数百万条未表征蛋白质序列。该技术演示在假肺炎链球菌中锁定一个对呼吸道感染病原体具预测活性的新型抗菌肽候选,目前正进行湿实验验证。同时推出嵌入其中的 Biomolecular Structure Viewer,让研究者与智能体共享 3D 结构画布并直接标注。

正文 · AI 翻译

2026年10月15日 科学

Pengfei Tian、Maxwell L. Bileschi、Zoi Tsangalidou、Sukhdeep Singh 和 Lucy J. Colwell

新型抗生素对于应对日益严重的抗微生物药物耐药性至关重要,但寻找新的治疗药物往往是一个缓慢且耗费人力的过程。借助我们的智能体开发平台 Google Antigravity,这一过程如今可以变得更加轻松。

Google Antigravity 提供了一个智能体科学工作台,使生物学家能够快速发现、结构化评估并确定有前景的靶点,将过去需要在多个数据库中进行的碎片化搜索压缩到一次会话中完成。它还帮助研究人员使用 ProtNLM 扫描 UniProt 数据库中数百万种此前未被表征的蛋白质,ProtNLM 是一个可根据氨基酸序列预测生物学功能的模型。

这份技术演示展示了生物学家如何利用 Google Antigravity 发现一种新型抗菌肽候选物,该候选物经预测对呼吸道感染相关病原体具有活性。此处确定的先导物目前正在接受湿实验验证。

发现新型抗菌肽

日益严重的 抗微生物药物耐药性 是当今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。为防止这种情况发生,我们迫切需要发现新的治疗药物。抗菌肽(AMPs),尤其是细菌素,提供了一种有望替代传统抗生素的方案,因为它们在自然进化中已能够针对竞争细菌的基本弱点——从细胞包膜到必需的胞内机制——从而让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使全球数据库中充满了数十亿条天然氨基酸序列。这批天然数据已经催生了在全球使用的细菌素,如 Nisin,以及近期通过基因组挖掘取得的突破,如 Darobactin、Dynobactin 和 Lariocidin。

然而,许多序列仍被封存在蛋白质数据库未被注释的“暗物质”中,其功能尚未被表征,因为它们与已知蛋白质并不相似。例如,全球领先的蛋白质序列与功能信息公共资源 UniProt 就保存着数百万条功能未知的序列,这些序列直接来自基因组测序项目。

为弥补这一差距,Google 开发了 ProtNLM(蛋白质自然语言模型),这是一个经过训练可直接解读氨基酸序列底层进化“语法”的深度学习模型。这使得模型能够直接从原始蛋白质序列预测生物学功能,为数百万此前未命名的 UniProt 条目赋予高置信度的功能标签。

ProtNLM 流程概览:将原始氨基酸序列转化为未经审阅的 UniProtKB/TrEMBL 条目的自然语言生物学注释。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,此外还包括关键词。

协作智能

科学发现很少是一个单步过程;寻找可行的候选蛋白质需要人类的直觉和迭代,以纳入新的经验证据。在 Antigravity 中,研究者和 AI 智能体首先设定一个明确的生物学目标:在Streptococcus pseudopneumoniae中发现并以计算方式验证新型 AMP。在一次交互式、多轮的会话中,研究者引导科学策略,决定要提出哪些问题、收集哪些证据,而智能体则承担跨数据库编排、结构分析和文献综合等繁重工作。

我们在本演示中发现的候选物是一个有生物学合理性的线索,得到了结构和基因组证据的支持,但它仍需要湿实验验证。其意义在于,它大幅降低了日常生物学工作流的门槛,把过去需要数天、零散的数据库筛查变成一次协作会话。虽然本次会话聚焦于Streptococcus pseudopneumoniae中一个狭窄的氨基酸窗口,研究者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,科学家可以引导智能体在整个 UniProt 中大规模发现新型 AMP 候选物。

用于交互式协作的共享 3D 画布

蛋白质的 3D 结构有助于我们理解其生物学功能。在空间中检视候选物的预测折叠是关键。为了在单一工作区中提供这一端到端工作流,我们推出了 Biomolecular Structure Viewer,这是一个直接嵌入 Antigravity 的 3D 可视化工具。

研究者和智能体在共享的可视状态上协同工作。当智能体从 AlphaFold Database 或科学家自己的预测中检索结构时,它可以动态驱动该查看器。例如,它可以高亮关键功能区域,以可视化方式解释其假设。至关重要的是,这种感知是双向的:高亮特定残基或在结合口袋上直接钉注释等操作,会同步回传给智能体。研究者只需在 3D 空间中标记感兴趣的区域并提问,例如“这条 β-折叠片可能如何影响 Lipid II 结合?”,从而让智能体立即针对科学家正在查看的确切结构上下文进行推理。

Antigravity 中的 Biomolecular Structure Viewer 展示了候选细菌素的 AlphaFold 预测结构,为研究者和智能体提供了一个用于检视和标注功能区域的共享 3D 画布。

加速科学发现

从历史上看,发现上述工作流中所展示的洞见需要零散且专用的软件:编写自定义脚本查询数据库、手动导出文件到 3D 建模程序、管理互不连通的基因组工具,以及与多位专家合作设计湿实验方案。由于湿实验验证仍然耗费大量资源,事先将搜索范围缩小到置信度最高的线索至关重要。使用 Google Antigravity,研究者可以高效地浏览庞大的生物学搜索空间,同时利用来自领域专用模型的准确蛋白质功能预测。

Google Antigravity 在同一环境中执行这种端到端的科学推理。这让科学家有更多时间评估高质量假设、在实验室开展实验并解决研究难题。

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。特别感谢来自 EMBL-EBI 的 Stephanie Lo 提供的宝贵反馈。

来源:Google DeepMind · deepmind.google