Google Antigravity acelera descoberta de peptídeos antimicrobianos
Pengfei Tian e colaboradores apresentaram o Google Antigravity, uma plataforma de desenvolvimento agentic que transforma a busca por novos terapêuticos. Este sistema permite que biólogos descubram, avaliem estruturalmente e priorizem alvos promissores de forma mais rápida.
O projeto utiliza o ProtNLM, um modelo de linguagem proteica treinado para prever a função biológica diretamente a partir de sequências de aminoácidos. Esse modelo enriquece milhões de entradas não nomeadas no banco de dados UniProt, que contém milhões de sequências com função desconhecida.
Uma caminhada técnica demonstra como pesquisadores utilizaram o Google Antigravity para identificar um candidato novato de peptídeo antimicrobiano com atividade predita contra patógenos associados a infecções nas vias respiratórias. O líder identificado está agora passando por validação em laboratório.
O aumento da resistência antimicrobiana representa uma crise de saúde global urgente, podendo causar cerca de dez milhões de mortes anuais até 2050. Para prevenir isso, é necessário descobrir novos agentes terapêuticos.
Peptídeos antimicrobianos, especialmente bacteriocinas, oferecem uma alternativa promissora aos antibióticos convencionais devido à sua evolução natural para atacar vulnerabilidades fundamentais em bactérias competidoras.
A explosão do sequenciamento genômico e metagenômico preencheu bancos de dados globais com bilhões de sequências naturais de aminoácidos. Esse pool de dados já produziu bacteriocinas amplamente utilizados como a nisina, além de descobertas recentes como darobactina, dynobactina e lariocidina.
Muitos permanecem presos na matéria escura dos bancos de proteínas, com funções incharacterizadas porque não são similares a proteínas conhecidas. O UniProt, recurso público líder de sequências e informação funcional proteica, guarda milhões de sequências com função desconhecida.
Para preencher essa lacuna, a Google desenvolveu o ProtNLM, um modelo de aprendizado profundo treinado para ler diretamente a gramática evolutiva de sequências de aminoácidos. Isso permite prever a função biológica diretamente a partir de sequências brutas, enriquecendo milhões de entradas anteriormente não nomeadas com rótulos funcionais de alta confiança.
O processo de descoberta científica raramente é linear; encontrar proteínas candidatas viáveis requer intuição humana e iteração para incorporar novas evidências empíricas. No Antigravity, o pesquisador e agente de IA definem um objetivo biológico focado: encontrar e validar computacionalmente novos AMPs em Streptococcus pseudopneumoniae.
Durante sessões interativas, o pesquisador orienta a estratégia científica, decidindo quais perguntas fazer e qual evidência coletar, enquanto o agente gerencia orquestração entre bancos de dados, análise estrutural e síntese da literatura.
O candidato identificado nesta caminhada representa um lead biologicamente plausível, embora ainda precise de validação em laboratório. O que torna isso significativo é como reduz drasticamente a barreira para fluxos de trabalho biológicos cotidianos, transformando dias de triagem fragmentada em uma única sessão colaborativa.
A estrutura tridimensional de uma proteína pode ajudar a entender sua função biológica. Examinar o fold predito de um candidato é essencial. Para fornecer esse fluxo de trabalho integral em uma única estação, a Google está introduzindo o Biomolecular Structure Viewer, uma ferramenta de visualização 3D integrada ao Antigravity.
O pesquisador e o agente trabalham juntos em um espaço visual compartilhado. Quando o agente recupera estruturas do AlphaFold Database ou de previsões próprias do cientista, ele pode guiar dinamicamente o visualizador. Por exemplo, pode destacar regiões funcionais-chave para explicar hipóteses visuais.