Google afferma che la sua piattaforma di sviluppo agentica Antigravity può riunire in un unico ambiente diverse fasi della ricerca sui peptidi antimicrobici, aiutando i biologi a consultare database, valutare strutture proteiche e classificare potenziali candidati. In una dimostrazione tecnica, i ricercatori hanno usato la piattaforma per individuare in Streptococcus pseudopneumoniae un peptide candidato con attività prevista contro agenti patogeni coinvolti nelle infezioni delle vie respiratorie. Il risultato non è ancora stato confermato da test di laboratorio ed è in fase di convalida sperimentale.
La ricerca si basa su ProtNLM, il modello linguistico proteico di Google, che prevede la funzione biologica a partire da sequenze di amminoacidi. Il modello è concepito per aiutare i ricercatori a esaminare voci non ancora caratterizzate in UniProt, un database pubblico contenente milioni di sequenze proteiche con funzioni sconosciute.
Google presenta i peptidi antimicrobici, tra cui le batteriocine, come possibili alternative agli antibiotici convenzionali. Queste molecole presenti in natura possono colpire caratteristiche vulnerabili dei batteri concorrenti. L’azienda afferma che il volume crescente di dati genomici e metagenomici offre un vasto insieme di sequenze da esaminare, sebbene molte non siano ancora annotate perché non assomigliano da vicino a proteine note.
Nel flusso di lavoro mostrato, un ricercatore ha fissato l’obiettivo di individuare e convalidare computazionalmente nuovi peptidi antimicrobici in S. pseudopneumoniae. Il ricercatore ha guidato l’indagine, mentre Antigravity ha coordinato le ricerche nei database, l’analisi strutturale e la revisione della letteratura. Google afferma che il candidato è sostenuto da evidenze genomiche e strutturali, ma sottolinea che è ancora necessaria una convalida sperimentale.
La piattaforma include anche un Biomolecular Structure Viewer, che visualizza le strutture proteiche in 3D. Ricercatori e agente IA possono lavorare nello stesso ambiente visivo: l’agente può evidenziare regioni per spiegare le proprie ipotesi, mentre gli scienziati possono contrassegnare residui o aggiungere note che orientano l’analisi dell’agente.
Google afferma che l’approccio integrato è pensato per ridurre il tempo dedicato a passare da un database, uno script o uno strumento di modellazione all’altro. L’azienda descrive la dimostrazione come un modo per restringere la ricerca a piste promettenti prima di procedere con costosi test di laboratorio e afferma che i ricercatori possono adattare il flusso di lavoro a diversi criteri di sequenza o organismi bersaglio.
Fonti: Google DeepMind Blog.