Google Antigravity: новый инструмент для поиска антибиотиков в миллионах не изученных белков

# Google Antigravity ускоряет поиск новых антибиотиков

Глобальная угроза, связанная с ростом устойчивости микробов к существующим лекарствам, требует немедленных действий. К 2050 году неэффективность текущих методов лечения может привести к 10 миллионам смертей ежегодно. В ответ на это Google DeepMind推出了 новую платформу для науки под названием Google Antigravity. Эта система представляет собой рабочее место, где искусственный интеллект помогает биологам находить, проверять и приоритизировать новые терапевтические соединения, сокращая время, затрачиваемое на рутинный анализ баз данных.

Проблема «темной материи» белков

Традиционные антибиотики часто теряют эффективность из-за способности бактерий быстро мутировать и выстраивать защитные механизмы. Альтернативой служат антимикробные пептиды (АМП), такие как бактерiocины, которые эволюционно приспособлены атаковать фундаментальные уязвимости бактерий, например, их клеточные оболочки. Однако большинство из них остается неизвестным.

Существуют гигантские базы данных, такие как UniProt, содержащие миллионы аминокислотных последовательностей, полученных из геномного секвенирования. Подавляющее большинство этих записей имеют функциональную маркировку «неизвестно». Эти данные составляют так называемую «темную материю» протеомного мира. Раньше исследователи不得不对 множество разрозненных баз данных и инструментов проводить трудоемкий ручной отбор.

Чтобы преодолеть этот барьер, разработчики DeepMind создали модель искусственного интеллекта ProtNLM (Protein Natural Language Model). Эта модель обучена распознавать эволюционную «грамматику» аминокислотных последовательностей. Это позволяет ей предсказывать биологическую функцию напрямую на основе сырых последовательностей, без необходимости предварительного совпадения с известными белками. Результатом работы ProtNLM стало обогащение миллионов ранее неаннотированных записей в UniProt высококонфиденциальными функциональными тегами.

Коллаборативный интеллект в Antigravity

Процесс научного открытия редко бывает линейным; он требует постоянной итерации между человеческой интуицией и вычислительной мощью. Платформа Google Antigravity объединяет эти усилия в едином интерфейсе.

В ходе демонстрации исследователи использовали Antigravity для поиска новых АМП, активных против *Streptococcus pseudopneumoniae*. Процесс включает несколько ключевых этапов, которые платформа автоматизирует или значительно ускоряет:

1. Навигация в огромном пространстве данных. Искусственный интеллект (AI-агент) автоматически опрашивает базы данных, фильтруя миллионы записей до нескольких наиболее перспективных кандидатов. В примере был выявлен белок с идентификатором UniProt A0A0U0D591, относящийся к семейству лактокоцин-972. 2. Валидация новизны. Исследователь направляет агента проверить найденный пептид в curated базах знаний Swiss-Prot через сервис NCBI-BLAST. Это подтверждает, что у последовательности нет гомологов среди тщательно проверенных белков. 3. Анализ 3D-структуры. Агент загружает предсказанную трехмерную модель кандидата из базы данных AlphaFold Protein Structure Database и сравнивает её с экспериментально определенными структурами. Совпадение пространственного размещения (fold) подтверждает гипотезу о том, что белок является бактерiocином. 4. Контекстный анализ генома. Исследование выходит за рамки отдельной молекулы. AI анализирует окружение гена (оперон) и обнаруживает рядом ABC-транспортную пермеазу и другие регуляторные белки. Наличие такой «машины» для экспорта пептида служит сильным косвенным доказательством его функциональности. 5. Формирование гипотезы и плана. На основе литературы агент строит предположение о механизме действия (например, воздействие на деление клеток бактерий) и предлагает конкретный лабораторный протокол для дальнейшего тестирования *in vitro*.

Визуализация и проверка гипотез

Ключевым элементом Antigravity является Biomolecular Structure Viewer — инструмент для интерактивного 3D-обзора белковой структуры, встроенный прямо в рабочую среду. Это создает общий визуальный холст для ученого и AI-агента.

Исследователь может выделять конкретные области структуры, например бета-структурные элементы, и задавать вопросы: «Как эта часть влияет на связывание с липидом II?». Агент мгновенно анализирует указанный контекст и дает обоснованный ответ. Это позволяет проверять гипотезы о механизме действия без необходимости переключения между разными программами моделирования.

На данный момент кандидат, выявленный в ходе описанного сценария, находится на стадии валидации в «мокрой лаборатории» (wet-lab validation). Экспериментальные результаты станут окончательным тестом эффективности предсказаний AI. Этот подход превращает процесс, который ранее занимал дни разрозненной работы с базами данных, в единый интерактивный сеанс, что открывает путь к масштабному поиску новых лекарств среди микроорганизмов окружающей среды.

*Авторский комментарий:* По сути, DeepMind создает не просто софт, а нового партнера для биолога. AI берет на себя монотонную работу по сканированию «темной материи» данных, а человек сосредотачивается на стратегическом мышлении и интерпретации, что фундаментально меняет ритм научного поиска.

Ускорение научного открытий

Исторически поиск таких перспективных соединений требовал написания кастомных скриптов для баз данных, ручного экспорта файлов в программы 3D-моделирования и координации усилий нескольких специалистов. Поскольку экспериментальная валидация в лаборатории остается ресурсоемким процессом, критически важно отсеять слабые лидеры еще на этапе компьютерного скрининга.

Google Antigravity позволяет исследователям эффективно управлять огромным биологическим пространством поиска, используя точные предсказания функций белков. Выполняя полный цикл научного рассуждения в одном месте, платформа дает ученым больше времени на оценку качественных гипотез и решение реальных исследовательских задач в лаборатории.