将 ScienceAI设为星标
第一时间掌握
新鲜的 AI for Science 资讯
编辑丨&
面对抗菌药物耐药性加剧的挑战，新型抗菌分子的发现往往耗时费力。尽管天然蛋白质数据库积累了海量生物信息，但大量蛋白功能尚不明确，仅凭传统序列注释难以识别其中潜藏的抗菌活性。
10月15日，Google DeepMind 发布技术演示，展示如何利用其 AI 开发平台 Google Antigravity 挖掘潜在抗菌肽（AMPs）。研究团队以肺炎假链球菌（Streptococcus pseudopneumoniae）为对象，通过 AI 协助完成数据库检索、候选筛选、结构比较、基因组邻域分析及实验方案设计。目前，团队筛选出的一种候选细菌素已进入湿实验验证阶段。
从海量未注释序列中锁定目标
随着基因组和宏基因组测序技术的普及，公共数据库中积累了大量天然氨基酸序列。然而，序列测定并不等同于功能解析，尤其是对于与已知蛋白差异较大的序列，传统相似性检索往往难以提供可靠注释。
为此，Google 开发了 ProtNLM（Protein Natural Language Model）。该模型通过学习氨基酸序列与生物学功能描述之间的关联，尝试直接从序列推断蛋白质功能。在此次工作流中，DeepMind 利用 ProtNLM 从 UniProt 数据库的数百万条记录中出发，逐步缩小搜索空间，锁定值得深入调查的候选蛋白。
图示：ProtNLM 概述，该流程可将原始氨基酸序列翻译为自然语言生物注释，适用于未审查的 UniProtKB/TrEMBL 条目。
需要注意的是，智能体不会仅凭单一模型的预测就断定某序列具有抗菌功能，而是通过查询多源数据库、比较蛋白质结构及检查遗传背景，积累相互独立的证据链。
多维证据层层筛选候选分子
在演示中，智能体筛选出一种长 97 个氨基酸、属于乳酸菌素 972 家族的细菌素候选物（UniProt 编号：A0A0U0D591）。为了验证其价值，研究团队采取了层层递进的筛选策略：
序列新颖性验证
研究者引导智能体通过 EMBL-EBI 提供的 BLAST 服务，将候选序列与经人工审阅的 Swiss-Prot 蛋白记录进行比对。结果显示，该序列未与已知审阅蛋白形成有意义的同源匹配，这为其独特性提供了初步线索，但尚不足以证明其具备新的生物学功能。
三维结构佐证
随后，智能体转向结构证据。它从 AlphaFold 蛋白质结构数据库获取候选蛋白的预测结构，并与已有实验解析的蛋白结构进行检索、叠合和比较。结果显示，候选蛋白的整体折叠与一种已知细菌素相似，从结构层面支持了 ProtNLM 的功能判断。
图示：AlphaFold 蛋白质结构数据库。
基因组邻域分析
第三条关键线索来自基因组上下文。检查发现，候选基因位于一个紧密耦合的操纵子上游，紧邻 ABC 转运蛋白通透酶基因及其配套 ATP 结合蛋白，附近还存在已注释的细菌素基因和 XRE 转录调控因子。这种基因组合为候选分子参与细菌素系统提供了有力的背景证据。
序列比对、结构相似性和基因组邻域三类证据相互补充，提高了判断的准确性。在此基础上，智能体整合文献提出可能的作用机制：该候选分子可能通过干扰细菌细胞分裂发挥作用，潜在活性范围涵盖多种与呼吸道感染相关的耐药病原体。
最终，智能体将计算分析转化为具体的实验计划，包括蛋白表达、药敏测试、靶标验证及体外毒性测试。DeepMind 表示，该候选物及其他通过此流程发现的分子均已进入湿实验验证阶段。
集成化三维结构查看器提升交互效率
此次发布还推出了集成在 Google Antigravity 中的新工具——Biomolecular Structure Viewer（生物分子结构查看器）。传统蛋白质结构分析需要在数据库、预测软件和独立可视化工具间频繁切换，而新查看器旨在将这些步骤整合至同一工作环境。
图示：嵌入 Antigravity 的结构查看器。
在该环境中，智能体可调取 AlphaFold 数据库结构或加载用户自有模型，并在三维视图中高亮显示与假设相关的功能区域。研究者也可在特定氨基酸残基或结合口袋处添加标记和注释，这些空间信息会同步回智能体的分析上下文，使其能基于具体结构特征进行深入推理。例如，研究者可标出一段 β 链并询问其对细菌细胞壁结合的影响，AI 将结合空间背景而非仅凭文字描述进行分析。
小结
以往的研究流程需要手动编写脚本、导出数据、切换软件并人工整合文献，效率较低。Antigravity 通过将分散环节集中到统一工作流中，显著加速了从海量候选到少数高价值目标的推进过程。
本次研究展示了 AI 在抗菌肽发现中的完整潜力，序列、结构和基因组背景为候选蛋白提供了坚实的研究依据。然而，最终的抗菌活性、作用机制和毒性仍需通过实验检验。随着验证结果的积累，该流程筛选高质量候选物的稳定性将成为衡量其实际研发价值的关键指标。