用 Google Antigravity 加速抗菌肽发现
来自 Google DeepMind · 期号 2026-10-16
摘要
寻找新抗生素是个慢活，要在海量数据库里翻来翻去。Google DeepMind 展示了用 Antigravity 平台加速这个过程的方法。 研究员和 AI agent 一起工作：先设定目标（在 Streptococcus pseudopneumoniae 里找新型抗菌肽），agent 用 ProtNLM 模型扫描 UniProt 里数百万个功能未知的蛋白质序列，给它们打上功能标签。然后一步步验证——查序列是否新颖、看 AlphaFold 预测的 3D 结构是否匹配已知的细菌素、检查基因周围有没有配套的转运蛋白。最后 agent 还会生成一份实验方案。 整个流程从过去几天缩短到一次对话。平台还新增了一个 Biomolecular Structure Viewer，研究员和 agent 可以在同一个 3D 画布上查看和标注蛋白质结构。找到的候选分子已经在做湿实验验证。
深读
导读 抗生素耐药性正成为全球健康危机，但新抗生素的发现过程缓慢且碎片化。Google DeepMind 展示了其 Antigravity 平台如何让生物学家与 AI agent 协作，在单次对话中完成从海量未知蛋白质中筛选、验证新型抗菌肽候选分子的全流程，将数天的工作压缩到一次交互会话。读完本文能了解 agentic 科学工作台如何重塑早期药物发现的工作流。 关键信息 - 全球抗生素耐药性危机预计到 2050 年每年导致 1000 万人死亡。 - 搜索目标设定为在 *Streptococcus pseudopneumoniae* 中发现新型抗菌肽（AMP）。 - AI agent 使用 ProtNLM 模型扫描 UniProt 数据库中数百万功能未知的蛋白质序列，为其打上功能标签。 - 候选分子（UniProt ID: A0A0U0D591）属于 Lactococcin 972 家族，长度为 97 个氨基酸。 - 该候选分子在基因组中位于一个紧密耦合的操纵子上游，仅隔 6 个碱基对，与 ABC 转运蛋白、另一个注释的细菌素及 XRE 转录调控因子相邻。 - 该候选分子及其他通过相同流程发现的分子已进入湿实验验证阶段。 逐节讲解 寻找新型抗菌肽的挑战 抗生素耐药性被描述为当代最紧迫的全球健康危机之一。传统抗生素面临耐药性难题，而抗菌肽（AMP），特别是细菌素，因其天然靶向竞争对手细菌的脆弱环节（从细胞包膜到细胞内关键机器）而成为有希望的替代方案。基因组测序的指数增长使全球数据库积累了数十亿天然氨基酸序列，但许多序列因与已知蛋白质不相似而功能未知，成为蛋白质数据库中的“暗物质”。UniProt 中存有数百万条直接来自测序项目的功能未知序列。 ProtNLM：为“暗物质”打标签 Google 开发的 ProtNLM（蛋白质自然语言模型）是一个深度学习模型，它被训练来直接读取氨基酸序列中蕴含的进化“语法”。该模型能从原始蛋白质序列直接预测生物学功能，为数百万条此前未命名的 UniProt 条目赋予高置信度的功能标签。其注释范围涵盖蛋白质名称、功能描述、亚细胞定位和 GO 术语等。 协作智能：研究员与 AI agent 的交互流程 在 Antigravity 平台中，研究员与 AI agent 通过多轮交互协作完成发现流程。研究员设定生物学目标并引导科学策略，决定要问的问题和收集的证据；agent 负责跨数据库编排、结构分析和文献综合。具体步骤包括： 1. 导航搜索空间：agent 查询数据库，将数百万条目过滤到少数候选。它发现了一个来自 Lactococcin 972 家族的细菌素（A0A0U0D591）。 2. 验证新颖性：研究员引导 agent 通过 EMBL-EBI NCBI-BLAST 服务，对照 Swiss-Prot 中的精选知识库查询该候选分子，确认其与…