A crescente resistência antimicrobiana é uma das crises globais de saúde mais urgentes do nosso tempo e pode resultar em cerca de 10 milhões de mortes anuais no mundo até 2050. Novos antibióticos são urgentemente necessários, mas a busca por novas terapias costuma ser um processo lento e trabalhoso. Com o Google Antigravity, nossa plataforma de desenvolvimento agêntico, esse processo agora pode ser facilitado. O Google Antigravity oferece uma bancada de trabalho científica agêntica que capacita biólogos a descobrir, avaliar estruturalmente e priorizar rapidamente alvos promissores, condensando em uma única sessão o que antes era uma busca fragmentada em vários bancos de dados.
Os peptídeos antimicrobianos (AMPs), particularmente as bacteriocinas, oferecem uma alternativa promissora aos antibióticos tradicionais, pois evoluíram naturalmente para atingir vulnerabilidades fundamentais de bactérias concorrentes, dificultando o desenvolvimento de resistência pelos patógenos. Bilhões de sequências naturais continuam presos na "matéria escura" não anotada dos bancos de dados de proteínas. Para preencher essa lacuna, o Google desenvolveu o Prot NLM (Protein Natural Language Model), um modelo de aprendizado profundo treinado para ler a "gramática" evolutiva das sequências de aminoácidos. Ele enriquece milhões de entradas do UniProt antes sem nome com rótulos funcionais de alta confiança.
Trabalhando no Antigravity, um pesquisador e um agente de IA definiram um objetivo biológico específico: encontrar e validar computacionalmente novos AMPs em Streptococcus pseudopneumoniae. O pesquisador conduz a estratégia científica, enquanto o agente cuida da orquestração entre bancos de dados, da análise estrutural e da síntese da literatura. O candidato resultante apresenta atividade prevista contra patógenos envolvidos em infecções do trato respiratório e está atualmente em validação em laboratório.
A abordagem reduz a barreira para os fluxos de trabalho biológicos do dia a dia, permitindo que pesquisadores avancem dos dados de sequências até candidatos priorizados muito mais rapidamente do que antes.
Fonte: Google DeepMind Blog · Resumido por HeadlinesBriefing