Angesichts steigender antimikrobieller Resistenz werden dringend neue Antibiotika benötigt, doch die Suche nach neuen Therapeutika war lange ein langsamer und arbeitsintensiver Prozess. Mit Google Antigravity, seiner agentenbasierten Entwicklungsplattform, will Google diesen Prozess nun deutlich erleichtern. In einem auf dem Google DeepMind Blog veröffentlichten technischen Walkthrough beschreiben die Forscher Pengfei Tian, Maxwell L. Bileschi, Zoi Tsangalidou, Sukhdeep Singh und Lucy J. Colwell, wie Biologen die Plattform nutzten, um einen neuartigen antimikrobiellen Peptid-Kandidaten mit vorhergesagter Aktivität gegen die an Atemwegsinfektionen beteiligten Erreger aufzuspüren. Der im Walkthrough identifizierte Lead-Kandidat wird derzeit im Labor validiert.

Antigravity fungiert als agentenbasierte Wissenschafts-Workbench, die Biologen befähigt, vielversprechende Ziele schnell zu entdecken, strukturell zu bewerten und zu priorisieren, und so eine früher fragmentierte Suche über mehrere Datenbanken in einer einzigen Sitzung verdichtet. In der Praxis bedeutet das: Software-Agenten planen und führen mehrstufige Aufgaben aus — Datenbankabfragen, das Abrufen von Strukturen, das Erstellen von Protokollen — während die Wissenschaftlerin oder der Wissenschaftler die Strategie vorgibt und die Evidenz bewertet. Die Plattform hilft Forschern zudem, mithilfe von ProtNLM, einem Modell, das biologische Funktionen aus Aminosäuresequenzen vorhersagt, Millionen bisher uncharakterisierter Proteine in der UniProt-Datenbank zu durchsuchen.

Die Herausforderung, neue antimikrobielle Peptide zu finden

Steigende antimikrobielle Resistenz ist eine der dringendsten globalen Gesundheitskrisen unserer Zeit und könnte laut einer Analyse der britischen Regierung bis 2050 weltweit schätzungsweise 10 Millionen Todesfälle pro Jahr verursachen. Dieses Szenario zu verhindern, so die Autoren, erfordere die dringende Entdeckung neuer Therapeutika.

Antimikrobielle Peptide (AMPs), insbesondere Bakteriozine, bieten eine vielversprechende Alternative zu herkömmlichen Antibiotika. Sie haben sich natürlicherweise so entwickelt, dass sie grundlegende Schwachstellen konkurrierender Bakterien angreifen — von der Zellhülle bis zu essenziellen intrazellulären Maschinerien — was es Erregern erschwert, Resistenzen zu entwickeln.

Das exponentielle Wachstum von Genom- und Metagenom-Sequenzierungen hat globale Datenbanken mit Milliarden natürlicher Aminosäuresequenzen gefüllt. Dieser Pool natürlicher Daten hat bereits weltweit gente Bakteriozine wie Nisin hervorgebracht, daneben neuere durch Genom-Mining entdeckte Durchbrüche wie Darobactin, Dynobactin und Lariocidin.

Viele potenzielle Therapeutika bleiben jedoch in der unkommentierten „dunklen Materie“ der Proteindatenbanken eingeschlossen, ihre Funktionen sind uncharakterisiert, weil sie bekannten Proteinen kaum ähneln. UniProt, die weltweit führende öffentliche Ressource für Proteinsequenz- und Funktionsinformationen, enthält Millionen von Sequenzen unbekannter Funktion, die direkt aus Genomsequenzierungsprojekten übernommen wurden.

Um diese Lücke zu schließen, entwickelte Google ProtNLM (Protein Natural Language Model), ein Deep-Learning-Modell, das darauf trainiert ist, die zugrunde liegende evolutionäre „Grammatik“ von Aminosäuresequenzen direkt zu lesen. Das Modell sagt biologische Funktionen unmittelbar aus rohen Proteinsequenzen voraus und reichert Millionen zuvor unbenannter UniProt-Einträge mit funktionalen Bezeichnungen hoher Konfidenz an. Für unreviewte UniProtKB/TrEMBL-Einträge umfasst der Annotationsspielraum Proteinnamen, Funktionskommentare, subzelluläre Lokalisationen, GO-Terms und Schlüsselwörter. Diese Annotationsschicht macht uncharakterisierte Sequenzen in biologischen Begriffen auffindbar und verwandelt rohe Sequenzierausgaben in einen durchsuchbaren Index von Proteinfunktionen.

Mensch-KI-Kollaboration in der Praxis

Wissenschaftliche Entdeckung ist selten ein einstufiger Prozess; das Finden tragfähiger Kandidatenproteine erfordert menschliche Intuition und die iterative Einbeziehung neuer empirischer Evidenz. Im Walkthrough begannen Forscher und KI-Agent mit einem fokussierten biologischen Ziel: das Finden und computergestützte Validieren neuartiger AMPs in Streptococcus pseudopneumoniae. Über eine interaktive, mehrstufige Sitzung hinweg steuerte der Forscher die wissenschaftliche Strategie — entschied, welche Fragen gestellt und welche Evidenz gesammelt wurde —, während der Agent die Schwerstarbeit der datenbankübergreifenden Orchestrierung, Strukturanalyse und Literatursynthese übernahm.

Der Workflow verlief in mehreren Etappen:

Navigation durch einen riesigen Suchraum. Der Agent fragte die Datenbank ab und filterte Millionen von Einträgen auf eine Handvoll beachtenswerter Kandidaten herunter und identifizierte ein Bakteriozin aus der Lactococcin-972-Familie (UniProt ID: A0A0U0D591) mit einer Länge von 97 Aminosäuren.

Validierung der Neuheit des Fundes. Um zu überprüfen, dass die Entdeckung neu war, ließ der Forscher den Agenten den Kandidaten über den EMBL-EBI NCBI-BLAST-Dienst gegen das kuratierte Wissen in Swiss-Prot prüfen und bestätigte, dass das Peptid unter manuell reviewten Proteinen keinen bedeutsamen Sequenzhomologen hat.

Schlussfolgern über die 3D-Proteinstruktur. Der Forscher lenkte die Analyse auf strukturelle Evidenz. Der Agent rief das 3D-Modell des Kandidaten aus der AlphaFold Protein Structure Database ab, verglich es mit experimentell bestimmten Strukturen, um ferne Homologe zu identifizieren, und überlagerte die Modelle zur Ähnlichkeitsbewertung. Die strukturelle Eenz bestätigte die Vorhersage von ProtNLM, da der Fold des Kandidaten eng mit einem experimentell bestimmten Bakteriozin übereinstimmt; der Struktur-Viewer in Antigravity ermöglichte diese Analyse nahtlos an einem Ort.

Lesen des biologischen Kontexts um ein Gen. Der Agent blickte über das Molekül hinaus auf seine genomische Nachbarschaft und prüfte, ob die umgebende Maschinerie die AMP-Hypothese stützt. Die Inspektion der flankierenden Gene offenbarte ein aufschlussreiches Muster: Der zuvor uncharakterisierte Kandidat liegt stromaufwärts eines eng gekoppelten Operons, nur 6 Basenpaare vor einer ABC-Transporter-Permease und ihrem potenziellen Partner-ATP-bindenden Protein, neben einem weiteren annotierten Bakteriozin und einem XRE-Transkriptionsregulator. Dies lieferte starke kontextuelle Evidenz dafür, dass der Kandidat Teil eines funktionierenden Bakteriozin-Systems ist.

Aufbau einer mechanistischen Hypothese aus der Literatur. Bei der Durchsicht bestehender Literatur schlug der Agent vor, wie das Molekül wirken und gegen welche Erreger es wirken könnte. In diesem Fall deutet die vorhandene Evidenz auf einen Wirkmechanismus hin, der auf die bakterielle Zellteilung abzielt, mit einem vorhergesagten Wirkspektrum über mehrere resistente Erreger hinweg.

Erstellung eines Experimentplans. Schließlich übersetzte der Agent seine In-silico-Ergebnisse in ein umsetzbares Laborprotokoll, das Proteinexpression, Antimykobakterielle Empfindlichkeitstests, Target-Engagement und In-vitro-Toxizitätstests umfasst — und überbrückt damit die Lücke zwischen computergestützter Vorhersage und Nasslabor-Experiment. Dieser Schritt läuft bereits: Der Kandidat und mehrere weitere, über dieselbe Pipeline entdeckte Kandidaten befinden sich nun in der Nasslabor-Validierung, wo experimentelle Ergebnisse die ultimative Prüfung der Analyse des Agenten darstellen.

Der im Walkthrough aufgedeckte Kandidat stellt einen biologisch plausiblen Lead dar, gestützt auf strukturelle und genomische Evidenz — er bedarf jedoch weiterhin der Nasslabor-Validierung. Was das bedeutsam macht, so der Beitrag, sei, wie stark es die Hürde für alltägliche biologische Workflows senkt und tagelange, fragmentierte Datenbank-Sichtung in eine einzige kollaborative Sitzung verwandelt. Während sich die Sitzung auf ein schmales Aminosäurefenster in Streptococcus pseudopneumoniae konzentrierte, können Forscher das Gespräch in jede Richtung führen — neue Filterkriterien ergänzen, unterschiedliche Sequenzlängen erkunden oder andere prioritäre Erreger anvisieren. Indem die Suche von menschlichen Kommensalen auf Umweltmikroben und darüber hinaus ausgeweitet wird, können Wissenschaftler den Agenten durch UniProt führen, um neuartige AMP-Kandidaten im großen Maßstab zu entdecken. Für alle, die verfolgen, ob KI-gestützte Entdeckung von der Vorhersage zur verifizierten Funktion gelangen kann, sind die Ergebnisse dieser Nasslabor-Validierungen das nächste konkrete Signal.

Eine gemeinsame 3D-Leinwand für interaktive Kollaboration

Die 3D-Struktur eines Proteins kann helfen, seine biologische Funktion zu erklären, weshalb die Untersuchung des vorhergesagten Folds eines Kandidaten im Raum entscheidend ist. Um diesen End-to-End-Workflow in einem einzigen Arbeitsbereich bereitzustellen, führt Google den Biomolecular Structure Viewer ein, ein 3D-Visualisierungstool, das direkt in Antigravity eingebettet ist.

Forscher und Agent arbeiten über einen gemeinsamen visuellen Zustand. Wenn der Agent Strukturen aus der AlphaFold Database oder den eigenen Vorhersagen der Wissenschaftlerin oder des Wissenschaftlers abruft, kann er den Viewer dynamisch steuern — etwa zentrale funktionale Regionen hervorheben, um seine Hypothesen visuell zu erklären. Entscheidend ist, dass dieses Bewusstsein in beide Richtungen fließt: Aktionen wie das Hervorheben bestimmter Reste oder das Anheften von Notizen direkt an eine Bindungstasche werden mit dem Agenten synchronisiert. Eine Forscherin oder ein Forscher kann einfach eine Region von Interesse im 3D-Raum markieren und etwa fragen: „Wie könnte dieses β-Strang die Lipid-II-Bindung beeinflussen?“, woraufhin der Agent unmittelbar über den genauen strukturellen Kontext schlussfolgern kann, den die Wissenschaftlerin oder der Wissenschaftler gerade betrachtet.

Beschleunigung wissenschaftlicher Entdeckung

Früher erforderte das Aufdecken solcher Erkenntnisse fragmentierte und spezialisierte Software: das Schreiben eigener Skripte für Datenbankabfragen, das manuelle Exportieren von Dateien in 3D-Modellierungsprogramme, den Umgang mit isolierten genomischen Tools und die Zusammenarbeit mit mehreren Experten zur Gestaltung von Nasslabor-Assays. Da die Nasslabor-Validierung ressourcenintensiv bleibt, ist es entscheidend, den Suchraum vorab auf die Leads mit höchster Konfidenz einzugrenzen. Google Antigravity ermöglicht es Forschern, den riesigen biologischen Suchraum effizient zu navigieren und dabei genaue Proteinfunktionsvorhersagen aus einem domänenspezifischen Modell zu nutzen — und führt diese End-to-End-wissenschaftliche Schlussfolgerung an einem Ort aus. Das, so das Unternehmen, gebe Wissenschaftlern mehr Zeit, hochwertige Hypothesen zu bewerten, Experimente im Labor durchzuführen und Forschungsherausforderungen zu lösen.

Danksagungen

Der Beitrag dankt folgenden Teammitgliedern: Maria Gabriela Cardoso, Victoria Johnston, Lexi Walker, Gena Hong, James King, Richard Green, Filip Radlinski, Artem Sobolev, Michael V. LeVine, Ruijie K. Zhang, Zachary Wu, Luca Schulz, Amy Danson, Tristan Oliver Kwan, Ryan Krueger, Oleg Kovalevskiy, Doug Fritz, Yunhan Xu und Sebastian Nowozin.