Google DeepMind利用AI Agent加速抗菌肽发现

全球抗微生物药物耐药性（AMR）形势日趋严峻，据预测到2050年可能每年导致1000万人死亡。面对这一公共卫生挑战，研发新型抗生素已迫在眉睫。传统新药发现往往过程缓慢且耗费大量人力，而抗菌肽（AMPs），特别是细菌素（Bacteriocins），正成为替代传统抗生素的重要方向。它们经自然演化能精准攻击致病菌的基本生理结构，使细菌极难产生耐药性。

基因测序技术使得全球数据库沉淀了数十亿条天然氨基酸序列，但大量蛋白质因缺乏同源参考，功能尚未得到注释，成了数据库中的“暗物质”。为此，Google开发了基于序列到序列Transformer架构的深度学习模型 ProtNLM（蛋白质自然语言模型），直接解读氨基酸序列中的进化规律，为UniProt数据库中数以百万计的未命名条目补齐了高置信度功能预测。

人机协同：从海量数据到候选分子

科学探索需要人类直觉与多轮迭代验证。Google DeepMind展示了研究人员如何基于AI智能体（Agent）平台 Google Antigravity，在假肺炎链球菌（Streptococcus pseudopneumoniae）中挖掘并计算验证新型抗菌肽。

在交互式会话中，研究人员主导科学策略，AI智能体则承担跨数据库检索、结构比对和文献综述等繁琐工作：

1. 缩小检索空间：AI智能体在数百万条数据中筛选，定位到一条属于Lactococcin 972家族、长97个氨基酸的候选细菌素（UniProt ID: A0A0U0D591）。
2. 验证新颖性：通过NCBI-BLAST在Swiss-Prot数据库中交叉比对，确认该肽段在已人工审核的蛋白中不存在显著同源序列。
3. 3D结构推理：从 AlphaFold蛋白质结构数据库 获取三维构象，经Foldseek进行结构对齐，证实其折叠形态与已知实验验证的细菌素高度匹配。
4. 基因组微环境分析：智能体分析候选基因的上下游邻近区域，发现它位于紧密操纵子的上游，紧邻ABC转运蛋白通透酶及ATP结合蛋白编码区，进一步佐证了其作为完整细菌素表达系统的合理性。
5. 作用机制与实验方案：结合文献挖掘，AI预测该分子针对细菌细胞分裂机制，并直接生成包含蛋白表达、药敏试验、靶点结合与体外毒性测试的湿实验验证流程。

内嵌3D画布，打通分子交互

为让结构生物学分析无缝衔接，Google Antigravity集成了生物分子结构查看器（Biomolecular Structure Viewer）。研究人员与AI智能体共享同一视觉状态：智能体调用AlphaFold结构并在视图中高亮关键活性位点；科研人员也可直接在3D模型上框选β折叠区域并提问，AI便能基于当前视角理解结构上下文并给出分析。

目前，该工作流挖掘出的候选抗菌肽正进入湿实验验证阶段。这一模式将以往需要编写多套脚本、频繁切换工具且耗时数天的碎片化检索过程，压缩至单次连续交互，为计算生物学与抗生素研发提供了更高效的协同范式。