Google Antigravity 平台與 ProtNLM 模型，加速抗菌肽研究以應對抗生素抗藥性危機

隨著抗生素抗藥性日益嚴重，我們迫切需要新的抗生素，然而尋找新療法通常是一個緩慢且勞力密集的過程。透過 Google DeepMind 的代理式開發平台 Google Antigravity，現在可以簡化這個過程。

Google Antigravity 提供一個代理式科學工作台，讓生物學家能夠快速發現、結構性評估並優先排序有潛力的標的。它將過去分散於多個資料庫的搜尋工作，整合到單一會話中。此外，它還利用 ProtNLM 模型協助研究人員掃描 UniProt 資料庫中數百萬個先前未經鑑定的蛋白質，該模型能從胺基酸序列預測生物功能。

本技術指南展示了生物學家如何運用 Google Antigravity 發現一種新型抗菌肽候選物，該候選物預計對呼吸道感染相關病原體具有活性。目前，這個被識別出的潛在藥物正在進行濕實驗驗證。

尋找新型抗菌肽。日益增長的抗生素抗藥性是當今最緊迫的全球健康危機之一，預計到 2050 年可能導致全球每年約一千萬人死亡。為預防此情況，我們迫切需要發現新的療法。抗菌肽（AMPs），特別是細菌素（bacteriocins），為傳統抗生素提供了一個有前景的替代方案。它們在自然演化中，能針對競爭細菌的基本弱點，從細胞膜到重要的細胞內機制，使病原體難以產生抗藥性。

基因組和宏基因組測序的指數級增長，已在全球資料庫中累積了數十億個天然胺基酸序列。這個龐大的天然資料庫已經產生了全球廣泛使用的細菌素，例如 Nisin，以及近期透過基因組挖掘發現的突破性細菌素，如 Darobactin、Dynobactin 和 Lariocidin。

然而，許多蛋白質仍被鎖在蛋白質資料庫中未經註釋的「暗物質」裡，由於它們與已知蛋白質不相似，其功能尚未被鑑定。例如，全球領先的蛋白質序列和功能資訊公共資源 UniProt，就包含數百萬個功能不明的序列，這些序列直接來自基因組測序專案。

為彌補這一空白，Google 開發了 ProtNLM（蛋白質自然語言模型），這是一個深度學習模型，經過訓練可以直接讀取胺基酸序列中潛在的演化「語法」。這使得該模型能夠直接從原始蛋白質序列預測生物功能，為數百萬個先前未命名的 UniProt 條目，賦予高置信度的功能標籤。

ProtNLM 管線的概覽，它將原始胺基酸序列轉換為未經審查的 UniProtKB/TrEMBL 條目的自然語言生物註釋。該系統的功能註釋範圍涵蓋蛋白質名稱、功能評論、亞細胞位置和 GO 術語，以及關鍵字。

協作式智慧。科學發現很少是單一步驟的過程；尋找可行的候選蛋白質需要人類的直覺和迭代，以納入新的實證證據。在 Antigravity 中，研究人員和 AI 代理首先設定一個集中的生物學目標：在假肺炎鏈球菌（Streptococcus pseudopneumoniae）中尋找並透過計算驗證新型抗菌肽。

在互動式的多輪會話中，研究人員主導科學策略，決定要提出哪些問題以及收集哪些證據，而代理則負責處理跨資料庫協調、結構分析和文獻綜合等繁重工作。

我們在此指南中發現的候選物，代表一個具有結構和基因組證據支持的生物學上合理潛在藥物，但仍需要濕實驗驗證。這項技術的意義在於，它顯著降低了日常生物學工作流程的門檻，將數天分散的資料庫篩選工作，轉變為單一的協作會話。雖然本次會話重點放在假肺炎鏈球菌中一個狹窄的胺基酸範圍，但研究人員可以將對話引導至任何方向，例如疊加新的篩選標準、探索不同的序列長度，或針對其他優先病原體。

透過將搜尋範圍從人體共生菌擴展到環境微生物及其他領域，科學家可以引導代理在 UniProt 中大規模發現新型抗菌肽候選物。

互動協作的共享 3D 畫布。蛋白質的 3D 結構有助於我們理解其生物功能。檢查候選蛋白質在空間中的預測摺疊至關重要。為在單一工作空間中提供這種端到端的工作流程，我們在 Antigravity 中直接嵌入了生物分子結構檢視器（Biomolecular Structure Viewer），這是一個 3D 視覺化工具。

研究人員和代理在共享的視覺狀態下協同工作。當代理從 AlphaFold Database 或科學家自己的預測中檢索結構時，它可以動態地驅動檢視器。例如，它可以突出顯示關鍵功能區域，以視覺化方式解釋其假設。至關重要的是，這種感知是雙向的：突出顯示特定殘基或直接在結合口袋上釘選筆記等操作，都會同步回傳給代理。

研究人員只需在 3D 空間中標記一個感興趣的區域，然後詢問，例如：「這個 β-股如何影響 Lipid II 結合？」，代理就能立即根據科學家正在查看的精確結構情境進行推論。

Antigravity 內建的生物分子結構檢視器，顯示了候選細菌素的 AlphaFold 預測結構，為研究人員和代理提供了一個共享的 3D 畫布，用於檢查和註釋功能區域。

加速科學發現。過去，要揭示上述工作流程中的見解，需要分散且專業化的軟體：編寫客製化腳本來查詢資料庫、手動將檔案匯出到 3D 建模程式、管理不相關的基因組工具，並與多位專家合作設計濕實驗分析。由於濕實驗驗證仍然是資源密集型的，因此預先將搜尋範圍縮小到最高置信度的潛在藥物至關重要。

運用 Google Antigravity，研究人員可以有效率地探索龐大的生物學搜尋空間，同時利用領域特定模型提供的準確蛋白質功能預測。

Google Antigravity 在一個地方執行這種端到端的科學推論。這讓科學家能將更多時間用於評估高品質的假設、在實驗室進行實驗以及解決研究挑戰。

致謝。我們感謝以下團隊成員的貢獻：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。