В Google DeepMind использовали Google Antigravity, платформу для научной работы с ИИ-агентом. Она объединила поиск по базам, оценку структуры белков и анализ научных публикаций в одной сессии.
Главное
- Система помогла найти новый кандидат в антимикробные пептиды. Это короткие цепочки аминокислот, которые могут действовать против бактерий.
- У кандидата прогнозируют активность против возбудителей инфекций дыхательных путей. Сейчас его проверяют в лабораторных экспериментах.
- Google Antigravity сократила поиск по разным базам, который раньше занимал дни, до одной совместной сессии исследователя и ИИ-агента.
Как прошел поиск
Исследователь задал задачу найти новые антимикробные пептиды у бактерии Streptococcus pseudopneumoniae. В ходе работы он определял, какие вопросы задавать и какие данные собирать.
ИИ-агент выполнял поиск по нескольким базам, анализировал структуру белков и обобщал научные публикации. Исследователь мог менять критерии, проверять другие размеры последовательностей и выбирать другие опасные для здоровья бактерии.
Для поиска использовали ProtNLM. Это модель машинного обучения, которая предсказывает функцию белка по последовательности его аминокислот. Она обработала миллионы записей с неизвестной функцией в UniProt.
UniProt компания называет крупнейшим открытым ресурсом о последовательностях белков и их функциях. В базе хранятся миллионы последовательностей, полученных из проектов по расшифровке геномов, но их роль часто еще не определена.
Просмотр структуры белка
В Google Antigravity добавили Biomolecular Structure Viewer. Это инструмент для просмотра трехмерной структуры белков внутри рабочей среды.
Система может загружать структуры из AlphaFold Database или использовать прогнозы исследователя. Она также способна выделять участки белка и показывать их связь с предполагаемой функцией.
Исследователь может отметить участок структуры и задать вопрос о его роли. Например, он может попросить оценить, как отдельная складка белка влияет на связывание с Lipid II.
Отметки и заметки в трехмерном просмотре синхронизируются с ИИ-агентом. Поэтому агент учитывает тот участок структуры, который исследователь изучает в данный момент.
Почему потребовался новый поиск
В Google DeepMind связали разработку с ростом устойчивости бактерий к противомикробным препаратам. По оценке из публикации, к 2050 году устойчивость может привести к 10 млн смертей в год во всем мире.
Геномные и метагеномные исследования создали базы с миллиардами природных аминокислотных последовательностей. Многие из них остаются неописанными, потому что не похожи на уже известные белки.
Раньше такой поиск требовал отдельных программ, собственных скриптов для запросов к базам и ручного переноса файлов в инструменты для трехмерного моделирования. Также исследователям приходилось координировать работу с несколькими специалистами.
Описанный результат основан на структурных и геномных данных. Кандидату все еще нужна лабораторная проверка, поскольку компьютерный прогноз сам по себе не подтверждает его действие.
