O Google afirma que sua plataforma de desenvolvimento agêntica Antigravity pode reunir várias etapas da pesquisa sobre peptídeos antimicrobianos em um único espaço de trabalho, ajudando biólogos a pesquisar bancos de dados, avaliar estruturas de proteínas e classificar possíveis candidatos. Em uma demonstração técnica, pesquisadores usaram a plataforma para identificar um candidato a peptídeo em Streptococcus pseudopneumoniae, com atividade prevista contra patógenos envolvidos em infecções do trato respiratório. A descoberta ainda não foi confirmada em testes laboratoriais e está passando por validação experimental.
A busca utiliza o ProtNLM, modelo de linguagem de proteínas do Google, que prevê funções biológicas a partir de sequências de aminoácidos. O modelo foi desenvolvido para ajudar pesquisadores a examinar registros ainda não caracterizados no UniProt, um banco de dados público que contém milhões de sequências de proteínas com funções desconhecidas.
O Google apresenta os peptídeos antimicrobianos, incluindo as bacteriocinas, como possíveis alternativas aos antibióticos convencionais. Essas moléculas de ocorrência natural podem atingir características vulneráveis de bactérias concorrentes. A empresa afirma que o volume crescente de dados genômicos e metagenômicos oferece um grande conjunto de sequências para investigação, embora muitas ainda não estejam anotadas por não se parecerem suficientemente com proteínas conhecidas.
No fluxo de trabalho demonstrado, um pesquisador definiu o objetivo de encontrar e validar computacionalmente novos peptídeos antimicrobianos em S. pseudopneumoniae. O pesquisador orientou a investigação, enquanto o Antigravity coordenou buscas em bancos de dados, análises estruturais e revisão da literatura. O Google afirma que há evidências genômicas e estruturais que dão suporte ao candidato, mas ressalta que ainda é necessária a validação experimental.
A plataforma também inclui um Visualizador de Estruturas Biomoleculares, que exibe estruturas de proteínas em 3D. Pesquisadores e o agente de IA podem trabalhar no mesmo espaço visual: o agente pode destacar regiões para explicar suas hipóteses, enquanto os cientistas podem marcar resíduos ou adicionar anotações que orientam a análise do agente.
O Google afirma que a abordagem integrada foi projetada para reduzir o tempo gasto alternando entre bancos de dados, scripts e ferramentas de modelagem. A empresa descreve a demonstração como uma forma de restringir a busca a pistas promissoras antes de testes laboratoriais que exigem muitos recursos e afirma que pesquisadores podem adaptar o fluxo de trabalho a diferentes critérios de sequência ou organismos-alvo.
Fontes: Google DeepMind Blog.