La creciente resistencia a los antimicrobianos es una de las crisis sanitarias mundiales más urgentes de nuestro tiempo y podría provocar unos 10 millones de muertes anuales en todo el mundo para 2050. Se necesitan con urgencia nuevos antibióticos, pero la búsqueda de nuevos tratamientos suele ser un proceso lento y con mucha carga de trabajo. Con Google Antigravity, nuestra plataforma de desarrollo agéntica, este proceso ahora puede simplificarse. Google Antigravity proporciona un banco de trabajo científico agéntico que permite a los biólogos descubrir, evaluar estructuralmente y priorizar rápidamente objetivos prometedores, reuniendo en una sola sesión lo que antes era una búsqueda fragmentada en múltiples bases de datos.
Los péptidos antimicrobianos (AMP), en particular las bacteriocinas, son una alternativa prometedora a los antibióticos tradicionales porque han evolucionado de forma natural para atacar vulnerabilidades fundamentales de las bacterias competidoras, lo que dificulta que los patógenos desarrollen resistencia. Miles de millones de secuencias naturales siguen encerradas en la «materia oscura» sin anotar de las bases de datos de proteínas. Para salvar esta brecha, Google desarrolló Prot NLM (Modelo de Lenguaje Natural de Proteínas), un modelo de aprendizaje profundo entrenado para leer la «gramática» evolutiva de las secuencias de aminoácidos. Enriquece millones de entradas de UniProt que antes no tenían nombre con etiquetas funcionales de alta confianza.
Trabajando en Antigravity, un investigador y un agente de IA se fijaron un objetivo biológico concreto: encontrar y validar computacionalmente nuevos AMP en Streptococcus pseudopneumoniae. El investigador dirige la estrategia científica, mientras que el agente se encarga de la coordinación entre bases de datos, el análisis estructural y la síntesis bibliográfica. El candidato resultante muestra actividad predicha contra patógenos implicados en infecciones del tracto respiratorio y actualmente se encuentra en validación en laboratorio húmedo.
El enfoque reduce la barrera para los flujos de trabajo biológicos cotidianos, permitiendo a los investigadores pasar de los datos de secuencias a candidatos priorizados mucho más rápido que antes.
Fuente: Google DeepMind Blog · Resumido por HeadlinesBriefing