Растущая устойчивость к противомикробным препаратам — один из самых острых глобальных кризисов в области здравоохранения нашего времени: по оценкам, к 2050 году она может приводить к примерно 10 миллионам смертей ежегодно во всем мире. Новые антибиотики срочно необходимы, однако поиск новых методов лечения часто бывает медленным и трудоемким процессом. С помощью Google Antigravity, нашей платформы для агентной разработки, этот процесс теперь можно упростить. Google Antigravity предоставляет агентную научную рабочую среду, которая позволяет биологам быстро находить, структурно оценивать и ранжировать перспективные мишени, объединяя в одной сессии то, что раньше было фрагментированным поиском по нескольким базам данных.
Антимикробные пептиды (AMP), в частности бактериоцины, представляют собой перспективную альтернативу традиционным антибиотикам, поскольку в ходе естественной эволюции они научились поражать фундаментальные уязвимости конкурирующих бактерий, из-за чего патогенам трудно вырабатывать устойчивость. Миллиарды природных последовательностей до сих пор скрыты в неаннотированной «темной материи» белковых баз данных. Чтобы преодолеть этот разрыв, Google разработала Prot NLM (Protein Natural Language Model), модель глубокого обучения, обученную читать эволюционную «грамматику» аминокислотных последовательностей. Она обогащает миллионы ранее безымянных записей UniProt функциональными метками с высокой степенью достоверности.
Работая в Antigravity, исследователь и ИИ-агент поставили перед собой конкретную биологическую задачу: найти и вычислительно подтвердить новые AMP у Streptococcus pseudopneumoniae. Исследователь определяет научную стратегию, а агент берет на себя координацию работы с базами данных, структурный анализ и синтез литературы. Полученный кандидат демонстрирует предсказанную активность против патогенов, связанных с инфекциями дыхательных путей, и в настоящее время проходит лабораторную валидацию.
Этот подход снижает барьер для повседневных биологических рабочих процессов и позволяет исследователям гораздо быстрее переходить от данных о последовательностях к ранжированным кандидатам.
Источник: Google DeepMind Blog · Сводку подготовил HeadlinesBriefing