Google zufolge kann die agentische Entwicklungsplattform Antigravity mehrere Phasen der Forschung zu antimikrobiellen Peptiden in einem Arbeitsbereich zusammenführen und Biologen so dabei helfen, Datenbanken zu durchsuchen, Proteinstrukturen zu bewerten und mögliche Kandidaten einzustufen. In einer technischen Demonstration nutzten Forscher die Plattform, um einen Peptidkandidaten in Streptococcus pseudopneumoniae zu identifizieren, dem eine Wirkung gegen Krankheitserreger vorhergesagt wird, die an Infektionen der Atemwege beteiligt sind. Der Fund wurde noch nicht durch Labortests bestätigt und wird derzeit im Labor überprüft.
Die Suche stützt sich auf ProtNLM, Googles Protein-Sprachmodell, das anhand von Aminosäuresequenzen biologische Funktionen vorhersagt. Das Modell soll Forschern helfen, bisher nicht charakterisierte Einträge in UniProt zu untersuchen, einer öffentlichen Datenbank mit Millionen von Proteinsequenzen, deren Funktionen unbekannt sind.
Google stellt antimikrobielle Peptide, darunter Bakteriozine, als mögliche Alternativen zu herkömmlichen Antibiotika dar. Diese natürlich vorkommenden Moleküle können verwundbare Strukturen konkurrierender Bakterien angreifen. Das Unternehmen erklärt, dass die wachsende Menge an genomischen und metagenomischen Daten einen großen Bestand an zu untersuchenden Sequenzen bietet, von denen viele jedoch nicht annotiert sind, weil sie bekannten Proteinen nicht stark ähneln.
Im vorgeführten Arbeitsablauf legte ein Forscher das Ziel fest, neue antimikrobielle Peptide in S. pseudopneumoniae zu finden und computergestützt zu überprüfen. Der Forscher leitete die Untersuchung, während Antigravity Datenbanksuchen, Strukturanalysen und Literaturrecherchen koordinierte. Google zufolge wird der Kandidat durch genomische und strukturelle Befunde gestützt, das Unternehmen betont jedoch, dass experimentelle Überprüfungen noch erforderlich sind.
Die Plattform umfasst außerdem einen Biomolecular Structure Viewer, der Proteinstrukturen in 3D darstellt. Forscher und der KI-Agent können im selben visuellen Arbeitsbereich arbeiten: Der Agent kann Bereiche hervorheben, um seine Hypothesen zu erläutern, während Wissenschaftler Reste markieren oder Notizen hinzufügen können, die in die Analyse des Agenten einfließen.
Google zufolge soll der integrierte Ansatz den Zeitaufwand dafür verringern, zwischen Datenbanken, Skripten und Modellierungswerkzeugen zu wechseln. Das Unternehmen beschreibt die Demonstration als Möglichkeit, die Suche vor ressourcenintensiven Labortests auf vielversprechende Kandidaten einzugrenzen, und erklärt, dass Forscher den Arbeitsablauf an unterschiedliche Sequenzkriterien oder Zielorganismen anpassen können.
Quellen: Google DeepMind Blog.