Opór bakterii na leki może do 2050 roku spowodować 10 milionów zgonów rocznie, wymuszając poszukiwanie alternatyw dla tradycyjnych antybiotyków. Zespół Google DeepMind wdrożył agentową platformę Google Antigravity, łączącą modele ProtNLM i AlphaFold w celu sekwencjonowania peptydów przeciwdrobnoustrojowych z nieopisanej części proteomu. W ramach demonstracji wyselekcjonowano kandydata o długości 97 aminokwasów, skracając wielodniową analizę baz danych do pojedynczej sesji roboczej.
Mechanizm orkiestracji modeli białkowych w Google Antigravity
Tradycyjna identyfikacja peptydów przeciwdrobnoustrojowych wymaga manualnego przeczesywania rozproszonych baz danych i stosowania odrębnych narzędzi do analizy sekwencji, struktury oraz kontekstu genomicznego. Platforma Google Antigravity eliminuje ten problem poprzez agentową integrację modeli predykcyjnych w jednym środowisku wykonawczym. Taki model pracy ogranicza czasochłonne przełączanie kontekstu i pozwala inżynierom oraz badaczom sprawnie weryfikować hipotezy biologiczne.
Architektura Google Antigravity opiera się na ciągłym przepływie danych między wyspecjalizowanymi algorytmami uczenia maszynowego: – ProtNLM (Protein Natural Language Model): głęboki model językowy predykujący funkcje biologiczne bezpośrednio z surowych sekwencji aminokwasowych, wykorzystywany do opisywania nieprzebadanych białek w bazie UniProt. – AlphaFold Database i Foldseek: narzędzia służące do pobierania przewidywanych struktur 3D oraz identyfikacji odległych homologów strukturalnych o niskim podobieństwie sekwencyjnym. – EMBL-EBI NCBI-BLAST: usługa weryfikująca nowość cząsteczki poprzez porównanie jej z zrecenzowanymi białkami w bazie Swiss-Prot.
W opisanym procesie agent w środowisku Google Antigravity przeanalizował proteom bakterii Streptococcus pseudopneumoniae, filtrując białka o długości 97 aminokwasów z rodziny Lactococcin 972 (identyfikator UniProt: A0A0U0D591). Model wykazuje, że dojrzały peptyd obejmuje pozycje 29–97 o wysokim wskaźniku pewności pLDDT 88.5, podczas gdy odcinek N-końcowy (28 rezyduów) stanowi sekwencję sygnałową. Porównanie z bazą Swiss-Prot wykazało brak istotnych homologów sekwencyjnych — najwyższe dopasowanie wykazało zaledwie 26% tożsamości sekwencji przy wartości E-value 0.03. Spójność biologiczną potwierdzono analizą kontekstu genomowego: kandydat znajduje się 6 par zasad powyżej operonu kodującego permeazę transportera ABC, białko wiążące ATP, drugi peptyd oraz regulator transkrypcyjny XRE.
Jak Google Antigravity przyspiesza selekcję peptydów z UniProt?
Przeszukiwanie miliardów sekwencji aminokwasowych w publicznych repozytoriach bez automatyzacji agentowej tworzy wąskie gardło w procesie odkrywania leków. Platforma Google Antigravity rozwiązuje ten problem, łącząc automatyczną filtrację baz danych z interaktywną wizualizacją strukturalną. Inżynierowie oraz badacze zyskują możliwość bezpośredniego sterowania strategią poszukiwań i natychmiastowej weryfikacji wyników w czasie rzeczywistym.
Kluczowym elementem interfejsu Google Antigravity jest Biomolecular Structure Viewer — trójwymiarowa przeglądarka osadzona bezpośrednio w przestrzeni roboczej agenta. Moduł ten tworzy synchronizowany stan wizualny, pozwalając na dwukierunkową wymianę informacji między użytkownikiem a modelem AI:
- Adnotacje w przestrzeni 3D: Badacz może zaznaczyć kieszeń wiążącą lub wybrany rezyduum, przypinać notatki i pytać agenta o wpływ konkretnej struktury (np. harmonijki β) na wiązanie z prekursorem ściany komórkowej Lipid II.
- Dynamiczne generowanie hipotez: Agent automatycznie nakłada przewidywane struktury z AlphaFold na eksperymentalne wzorce z bazy PDB, wyliczając odchylenie RMSD na poziomie ~1 Å dla rdzenia cząsteczki.
- Skalowalność infrastruktury: Zespół Google DeepMind udostępnia 10 000 naukowców bezpłatny dostęp do modelu Gemini 4 Argon na najwyższym poziomie wykorzystania wewnątrz Google Antigravity.
Dzięki takiej integracji czasy analizy ulegają skróceniu — praca związana z pisaniem skryptów i ręcznym eksportem plików do zewnętrznych programów wizualizacyjnych zostaje zamknięta w jednej sesji dialogowej.
Analiza ryzyka i ograniczenia estymacji in silico
Poleganie wyłącznie na symulacjach komputerowych niesie ze sobą ryzyko przeoczenia toksyczności oraz braku rzeczywistej aktywności biologicznej w warunkach in vitro. Platforma Google Antigravity dostarcza hipotez o wysokim prawdopodobieństwie biologicznym, jednak nie zastępuje fizycznej walidacji laboratoryjnej. Wdrożenie rozwiązań klasy in silico wymaga oceny granic dokładności modeli oraz uwzględnienia wskaźników hemolitycznych.
Chociaż w Google Antigravity wyselekcjonowano kandydata z Streptococcus pseudopneumoniae, zespół Google DeepMind zaznacza, że cząsteczka ta pozostaje w fazie testów laboratoryjnych i nie została jeszcze potwierdzona eksperymentalnie pod kątem zabijania bakterii. Raport techniczny nie podaje wskaźników błędów fałszywie dodatnich (false-positive rate) ani wyników testów porównawczych na standardowych zbiorach danych.
Dla pełnej oceny bezpieczeństwa i optymalizacji peptydów w rurociągach analitycznych konieczne jest stosowanie wyspecjalizowanych modeli predykcji toksyczności, takich jak AmpLyze czy HemoPI2:
| Parametr / Cecha | Google Antigravity (Workbench) | AmpLyze (Model toksyczności) | ApexOracle (Model hybrydowy) |
|---|---|---|---|
| Główny cel | Odkrywanie i orkiestracja baz | Predykcja stężenia hemolitycznego HC50 | Predykcja aktywności i generowanie de novo |
| Reprezentacja wejściowa | Sekwencje aminokwasów, AlphaFold 3D | Embeddingi ProtT5 / ESM2 + dekodery | SELFIES, kod genetyczny Evo2, tekst Me-LLaMA |
| Metryka dokładności | Spójność strukturalna (RMSD ~1 Å) | PCC 0.756, MSE 0.987, MAE 0.703 | R² 0.579 (strain-wise), AUROC 0.962 |
| Funkcja straty (Loss) | N/D (platforma agentowa) | Log-Cosh Loss (odporna na szum) | DLM Negative ELBO + MTR Loss |
Specjalistyczne modele predykcyjne, takie jak AmpLyze, rozwiązują problem zmienności wyników laboratoryjnych (pochodzących z różnych gatunków erytrocytów) dzięki zastosowaniu funkcji straty Log-Cosh, która zapobiega przeuczeniu na szumie pomiarowym. Google Antigravity wymaga zatem integracji z takimi narzędziami lub dołączenia etapów wet-lab przed podjęciem decyzji wdrożeniowych.
Porównanie architektur: Google Antigravity a ApexOracle i HydrAMP
Wybór odpowiedniego stosu technologicznego do projektowania leków białkowych zależy od tego, czy organizacja potrzebuje orkiestracji agentowej, czy dedykowanych modeli generatywnych. Platforma Google Antigravity stawia na wieloagentową analizę istniejących baz białek, podczas gdy alternatywne modele generatywne tworzą nowe sekwencje od podstaw. Zrozumienie różnic architektonicznych pozwala podjąć właściwą decyzję technologiczną.
Na rynku projektowania peptydów przeciwdrobnoustrojowych wykształciły się trzy główne podejścia architektoniczne:
- Google Antigravity: Agentowa platforma orkiestrująca działanie modeli ProtNLM i AlphaFold, zorientowana na wydobywanie naturalnych peptydów z repozytoriów genomicznych (UniProt, Swiss-Prot) oraz budowanie spójnych hipotez biologicznych.
- ApexOracle: Multimodalny model generatywny oparty na dyskretnym dyfuzyjnym modelu językowym (DLM), który łączy reprezentację chemiczną SELFIES (121,6 mln cząsteczek w zbiorze treningowym) z genomowym embeddingiem patogenu Evo2 oraz kontekstem tekstowym Me-LLaMA. ApexOracle potrafi przewidywać wartości MIC i generować cząsteczki aktywne wobec dotąd niespotykanych szczepów bakteryjnych.
- HydrAMP: Generatywny autokoder wariacyjny (cVAE) umożliwiający generowanie kontrolowane temperaturą (kreatywnością), pozwalający na tworzenie nowych peptydów od zera (unconstrained) oraz modyfikację nieaktywnych prototypów do postaci wysoce aktywnych analogów (analogue generation).
Dla CTO i szefów R&D kluczowe jest rozróżnienie: Google Antigravity dostarcza gotowe środowisko typu workbench dla zespołów badawczych, podczas gdy rozwiązania takie jak ApexOracle czy HydrAMP stanowią komponenty algorytmiczne do wbudowania we własne rurociągi uczenia maszynowego.
Wnioski praktyczne i rekomendacje
- Zweryfikuj przydatność platformy Google Antigravity w procesie przeszukiwania specyficznych dla Twojej firmy szczepów patogenów, testując bezpłatny dostęp do modelu Gemini 4 Argon udostępniony dla zespołów badawczych.
- Skonfiguruj lokalne rurociągi walidacji in silico, integrując modele predykcji hemolityczności takie jak AmpLyze (wykorzystujący embeddingi ProtT5/ESM2 oraz funkcję Log-Cosh Loss) w celu wczesnego odrzucania toksycznych sekwencji.
- Zmierz czas i koszty analizy porównawczej sekwencji przy przejściu z manualnych skryptów i narzędzi BLAST/PDB na zintegrowane środowisko Biomolecular Structure Viewer w Google Antigravity.
- Wdróż hybrydowe podejście do projektowania cząsteczek, łącząc selekcję z naturalnych baz danych (Google Antigravity) z generowaniem cząsteczek de novo za pomocą modeli dyfuzyjnych (ApexOracle) lub autokoderów cVAE (HydrAMP).
Źródła
- AI-driven discovery of antimicrobial peptides and derivatives: database and tools – Open Exploration
- AMP0: Species-Specific Prediction of Anti- microbial Peptides using Zero and Few Shot Learning – arXiv
- Accelerating antimicrobial peptide discovery with Google Antigravity
- Accelerating the search for antimicrobial peptides with Google Antigravity
- AmpLyze: A Deep Learning Model for Predicting the Hemolytic Concentration – arXiv
- Artificial intelligence-driven antimicrobial peptide discovery – arXiv
- Black Hills signs power deal with Google for Cheyenne data center campus – Crypto Briefing
- DeepMind Antigravity Antimicrobial Peptide: Real Lead? | explainx.ai Blog
Dodaj komentarz