Az antimikrobiális rezisztencia növekedése miatt sürgősen szükség van új antibiotikumokra, ám a lehetséges terápiák felkutatása sokszor lassú és munkaigényes. A Google Antigravity nevű, ügynökalapú (agentic) fejlesztési platform célja, hogy ezt a folyamatot egyszerűsítse és felgyorsítsa.
A platform egy olyan tudományos munkapadot nyújt, amelyben a biológusok gyorsan fedezhetnek fel, strukturálisan értékelhetnek és priorizálhatnak ígéretes célpontokat. Az eddig töredezett, több adatbázisra kiterjedő kereséseket egyetlen munkamenetbe sűríti, és lehetővé teszi a kutatók számára, hogy nagy mennyiségű, korábban jellemzetlen fehérjét átvizsgáljanak a UniProt adatbázisból a ProtNLM segítségével — ez a modell aminosav-szekvenciákból jósol biológiai funkciót.
Új antimikrobiális peptidek keresése
A világszintű adatok szerint az antimikrobiális rezisztencia rendkívül súlyos egészségügyi kihívás, és előrejelzések szerint 2050-re akár évi 10 millió halálesethez is vezethet. Ennek elkerülése érdekében sürgős új terápiák felfedezése szükséges. Az antimikrobiális peptidek (AMP-k), különösen a bakteriocinok, előnyösek lehetnek a hagyományos antibiotikumokkal szemben: ezek a molekulák természetes evolúciójuk során olyan alapvető sebezhetőségeket céloznak meg a versengő baktériumokban — például a sejthártyát vagy létfontosságú intracelluláris gépezeteket —, ami megnehezíti a kórokozók számára a rezisztencia kialakulását.
A genom- és metagenom-szekvenálás robbanásszerű növekedése milliárdnyi természetes aminosav-szekvenciát halmozott fel globális adatbázisokban. Ezek között már világszerte használt bakteriocinok (például Nisin) és közelmúltban felfedezett, genomról bányászott vegyületek (Darobactin, Dynobactin, Lariocidin) is megtalálhatók. Ugyanakkor sok potenciális funkcióval bíró fehérje „sötét anyagként” marad az adatbázisokban, mert nincs hasonlóságuk a jól ismert fehérjékkel, így funkciójuk nem ismert. Az egyik legfontosabb nyilvános fehérje-szekvencia és funkcióadatforrás, a UniProt, több millió olyan szekvenciát tartalmaz, amelyek funkciója ismeretlen.
E hézag áthidalására a Google kifejlesztette a ProtNLM (Protein Natural Language Model) modellt: egy mélytanuló rendszert, amely képes közvetlenül „olvasni” az aminosav-szekvenciák mögötti evolúciós „nyelvtant”. Ennek révén a modell nyers fehérje-szekvenciákból képes biológiai funkciókat jósolni, és így milliónyi, korábban név nélküli UniProt-bejegyzést gazdagít magas biztonságú funkcionális címkékkel.
Kollaboratív intelligencia a munkafolyamat középpontjában
A tudományos felfedezés ritkán egyetlen lépés: egy ígéretes fehérjejelölt megtalálása emberi intuíciót és iterációt igényel, hogy új empirikus bizonyítékok beépülhessenek a vizsgálatba. Az Antigravityben a kutató és az AI ügynök közösen dolgoznak: a kutató egy meghatározott biológiai célkitűzést ad meg — a bemutatott munkamenetben például a cél újszerű AMP-k keresése Streptococcus pseudopneumoniae-ből —, majd egy interaktív, többszörös körös párbeszédben irányítja a tudományos stratégiát. A kutató eldönti, milyen kérdéseket tegyen fel és milyen bizonyítékokat gyűjtsön, míg az ügynök elvégzi a kereséshez szükséges adatbázis-összefésülést, strukturális elemzéseket és irodalmi szintézist.
A bemutatott munkamenet során felfedezett jelölt biológiailag ésszerű vezető molekulának minősül, melyet strukturális és genomikus bizonyítékok is alátámasztanak; jelenleg „wet‑lab” érvényesítés alatt áll. A jelentőségét az adja, hogy az Antigravity jelentősen csökkenti a mindennapi biológiai munkafolyamatok belépési korlátait: napokig tartó, töredezett adatbázis‑térképezést egyetlen együttműködő munkamenetre sűrít.
A bemutatott munka egy keskeny aminosav‑ablakra a Streptococcus pseudopneumoniae esetén fókuszált, de a kutatók különböző irányokba vihetik a vizsgálatot — új szűrési kritériumok beemelése, eltérő szekvenciahosszak vizsgálata vagy más prioritású kórokozók célzása. Kiterjesztve a keresést emberi kommensáloknál szélesebb körű környezeti mikrobákra, a tudósok az ügynököt arra irányíthatják, hogy a UniProt teljes tartalmát átfésülve nagyléptékben fedezzen fel új AMP-jelölteket.
Megosztott 3D vászon: integrált interaktív együttműködés
Egy fehérje háromdimenziós szerkezete sokat elárulhat biológiai funkciójáról; egy jelölt prediktált foldjának térbeli vizsgálata kulcsfontosságú. Az Antigravity részeként bevezetett Biomolecular Structure Viewer egy beágyazott 3D vizualizációs eszköz, amely lehetővé teszi az end‑to‑end munkafolyamatot egyetlen munkaterületen belül.
A kutató és az ügynök közösen dolgoznak egy megosztott vizuális állapoton: amikor az ügynök AlphaFold Database-ből vagy a kutató saját predikcióiból struktúrákat hív le, dinamikusan vezérelheti a nézőt. Például kiemelhet kulcsfontosságú funkcionális régiókat, hogy vizuálisan is megindokolja feltevéseit. Fontos, hogy ez a kölcsönhatás kétirányú: a tudós által végzett műveletek — például egy adott aminosav‑maradék kiemelése vagy egy kötőzseb mellé jegyzet rögzítése — szinkronizálódnak az ügynökkel. A kutató egyszerűen megjelölhet egy térbeli régiót és rákérdezhet, például: „Hogyan befolyásolhatná ez a β-szál a Lipid II kötődést?”, mire az ügynök azonnal a pontos strukturális kontextus alapján kezd el érvelni.
A tudományos felfedezés felgyorsítása
Korábban az ilyen jellegű betekintések feltárása széttagolt és specializált szoftvereket igényelt: egyedi szkriptek írását az adatbázisok lekérdezéséhez, fájlok manuális exportját 3D modellező programokba, különálló genomikai eszközök kezelését és több szakértő bevonását a laboratóriumi kísérlettervezéshez. Mivel a „wet‑lab” érvényesítés továbbra is erőforrás‑igényes, kritikus, hogy a vizsgálat kezdetén csak a legmagasabb biztonsággal bíró jelöltekre szűkítsék a keresési teret.
A Google Antigravity lehetővé teszi a kutatóknak, hogy hatékonyan navigáljanak a hatalmas biológiai keresési térben, miközben egy doménspecifikus modellből — a ProtNLM-ből — származó, pontos fehérjefunkció‑jóslatokat hasznosítanak. Az Antigravity egy helyen hajt végre end‑to‑end tudományos következtetést, így a kutatók több időt fordíthatnak magas színvonalú hipotézisek értékelésére, laboratóriumi kísérletek végrehajtására és kutatási problémák megoldására.
Köszönetnyilvánítás
A projekt hozzájárulásaiért a következő csapattagokat ismerik el: Maria Gabriela Cardoso, Victoria Johnston, Lexi Walker, Gena Hong, James King, Richard Green, Filip Radlinski, Artem Sobolev, Michael V. LeVine, Ruijie K. Zhang, Zachary Wu, Luca Schulz, Amy Danson, Tristan Oliver Kwan, Ryan Krueger, Oleg Kovalevskiy, Doug Fritz, Yunhan Xu, Sebastian Nowozin.
