Die zunehmende Antibiotikaresistenz ist eine der drängendsten globalen Gesundheitskrisen unserer Zeit und könnte bis 2050 weltweit schätzungsweise 10 Millionen Todesfälle pro Jahr verursachen. Neue Antibiotika werden dringend benötigt, doch die Suche nach neuen Therapien ist oft ein langsamer und arbeitsintensiver Prozess. Mit Google Antigravity, unserer agentischen Entwicklungsplattform, kann dieser Prozess nun vereinfacht werden. Google Antigravity bietet eine agentische Werkbank für die Wissenschaft, die Biologen befähigt, vielversprechende Zielstrukturen schnell zu finden, strukturell zu bewerten und zu priorisieren. Was früher eine zersplitterte Suche über mehrere Datenbanken war, wird so in einer einzigen Sitzung zusammengeführt.
Antimikrobielle Peptide (AMPs), insbesondere Bakteriozine, bieten eine vielversprechende Alternative zu herkömmlichen Antibiotika, da sie sich natürlicherweise so entwickelt haben, dass sie grundlegende Schwachstellen konkurrierender Bakterien angreifen, wodurch es für Krankheitserreger schwierig ist, Resistenzen zu entwickeln. Milliarden natürlicher Sequenzen sind noch in der unannotierten "Dunklen Materie" der Proteindatenbanken gefangen. Um diese Lücke zu schließen, hat Google Prot NLM (Protein Natural Language Model) entwickelt, ein Deep-Learning-Modell, das darauf trainiert ist, die evolutionäre "Grammatik" von Aminosäuresequenzen zu lesen. Es reichert Millionen bisher unbenannter UniProt-Einträge mit hochzuverlässigen Funktionsmarkierungen an.
In Antigravity legten ein Forscher und ein KI-Agent ein klares biologisches Ziel fest: neue AMPs in Streptococcus pseudopneumoniae zu finden und rechnerisch zu validieren. Der Forscher steuert die wissenschaftliche Strategie, während der Agent die datenbankübergreifende Koordination, die Strukturanalyse und die Literaturauswertung übernimmt. Der resultierende Kandidat zeigt eine vorhergesagte Wirkung gegen Krankheitserreger, die mit Atemwegsinfektionen in Verbindung stehen, und wird derzeit im Nasslabor validiert.
Der Ansatz senkt die Hürden für alltägliche biologische Arbeitsabläufe und ermöglicht Forschenden, deutlich schneller von Sequenzdaten zu priorisierten Kandidaten zu gelangen als bisher.
Quelle: Google DeepMind Blog · Zusammengefasst von HeadlinesBriefing