Se necesitan con urgencia nuevos antibióticos ante el aumento de la resistencia antimicrobiana, pero la búsqueda de nuevos terapéuticos ha sido durante mucho tiempo un proceso lento y laborioso. Google afirma que su plataforma de desarrollo agéntica, Google Antigravity, ahora puede facilitar drásticamente ese proceso. En una guía técnica publicada en el blog de Google DeepMind, los investigadores Pengfei Tian, Maxwell L. Bileschi, Zoi Tsangalidou, Sukhdeep Singh y Lucy J. Colwell describen cómo los biólogos utilizaron la plataforma para descubrir un nuevo candidato a péptido antimicrobiano con actividad predicha contra los patógenos implicados en infecciones del tracto respiratorio. La molécula líder identificada en la guía se encuentra actualmente en validación experimental de laboratorio.

Antigravity funciona como un banco de trabajo científico agéntico que permite a los biólogos descubrir, evaluar estructuralmente y priorizar rápidamente objetivos prometedores, comprimiendo lo que solía ser una búsqueda fragmentada en múltiples bases de datos en una sola sesión. En la práctica, esto significa que los agentes de software planifican y ejecutan tareas de varios pasos —consultar bases de datos, recuperar estructuras, redactar protocolos— mientras el científico define la estrategia y evalúa la evidencia. La plataforma también ayuda a los investigadores a examinar millones de proteínas previamente sin caracterizar en la base de datos UniProt mediante ProtNLM, un modelo que predice la función biológica a partir de secuencias de aminoácidos.

El desafío de encontrar nuevos péptidos antimicrobianos

El aumento de la resistencia antimicrobiana es una de las crisis de salud global más apremiantes de nuestro tiempo y, según un análisis del gobierno del Reino Unido, podría provocar un estimado de 10 millones de muertes anuales a nivel mundial para 2050. Prevenir ese resultado, argumentan los autores, requiere el descubrimiento urgente de nuevos terapéuticos.

Los péptidos antimicrobianos (AMP), en particular las bacteriocinas, ofrecen una alternativa prometedora a los antibióticos tradicionales. Han evolucionado de forma natural para atacar vulnerabilidades fundamentales en bacterias competidoras, desde las envolturas celulares hasta maquinaria intracelular esencial, lo que dificulta que los patógenos desarrollen resistencia.

El crecimiento exponencial de la secuenciación genómica y metagenómica ha llenado las bases de datos globales con miles de millones deencias naturales de aminoácidos. Este conjunto de datos naturales ya ha producido bacteriocinas de uso generalizado como la Nisina, junto con avances recientes obtenidos mediante minería genómica como Darobactin, Dynobactin y Lariocidin.

Sin embargo, muchos terapéuticos potenciales siguen encerrados en la "materia oscura" sin anotar de las bases de datos de proteínas, con funciones sin caracterizar porque guardan poca similitud con proteínas conocidas. UniProt, el principal recurso público mundial de secuencias y información funcional de proteínas, contiene millones de secuencias con funcionalidad desconocida, transferidas directamente de proyectos de secuenciación genómica.

Para cerrar esta brecha, Google desarrolló ProtNLM (Protein Natural Language Model), un modelo de aprendizaje profundo entrenado para leer la "gramática" evolutiva subyacente de las secuencias de aminoácidos. El modelo predice la función biológica directamente a partir de secuencias de proteínas en bruto, enriqueciendo millones de entradas de UniProt previamente sin nombre con etiquetas funcionales de alta confianza. Para las entradas no revisadas de UniProtKB/TrEMBL, su alcance de anotación cubre nombres de proteínas, comentarios de función, localizaciones subcelulares, términos GO y palabras clave. Esa capa de anotación es lo que hace que las secuencias sin caracterizar sean encontrables en términos biológicos, convirtiendo la salida bruta de secuenciación en un índice buscable de funciones proteicas.

Colaboración humano-IA en la práctica

El descubrimiento científico rara vez es un proceso de un solo paso; encontrar proteínas candidatas viables requiere intuición humana e incorporación iterativa de nueva evidencia empírica. En la guía, el investigador y el agente de IA comenzaron con un objetivo biológico específico: encontrar y validar computacionalmente nuevos AMP en Streptococcus pseudopneumoniae. A lo largo de una sesión interactiva de múltiples turnos, el investigador dirigió la estrategia científica —decidiendo qué preguntas hacer y qué evidencia recopilar— mientras el agente se encargaba del trabajo pesado de orquestación entre bases de datos, análisis estructural y síntesis de literatura.

El flujo de trabajo se desarrolló en varias etapas:

Navegar un espacio de búsqueda vasto. El agente consultó la base de datos y filtró millones de entradas hasta reducir a un puñado de candidatos dignos de atención, identificando una bacteriocina de la familia Lactococcin 972 (ID de UniProt: A0A0U0D591) con una longitud de 97 aminoácidos.

Validar la novedad del hallazgo. Para verificar que el descubrimiento era nuevo, el investigador guio al agente para contrastar al candidato con el conocimiento curado en Swiss-Prot mediante el servicio EMBL-EBI NCBI-BLAST, confirmando que el péptido no tenía homólogos de secuencia significativos entre las proteínas revisadas manualmente.

Razonar sobre la estructura 3D de la proteína. El investigador orientó el análisis hacia la evidencia estructural. El agente recuperó el modelo 3D del candidato de la base de datos de Estructuras de Proteínas AlphaFold, lo comparó con estructuras determinadas experimentalmente para identificar homólogos remotos y superpuso los modelos para evaluar la similitud. La evidencia estructural corroboró la predicción de ProtNLM al mostrar que el plegamiento del candidato coincide estrechamente con una bacteriocina determinada experimentalmente, y el visor de estructuras de Antigravity permitió realizar el análisis sin problemas en un solo lugar.

Leer el contexto biológico alrededor de un gen. El agente miró más allá de la molécula misma hacia su vecindario genómico, razonando sobre si la maquinaria circundante respaldaba la hipótesis del AMP. La inspección de los genes flanqueantes reveló un patrón revelador: el candidato previamente sin caracterizar se sitúa aguas arriba de un operón estrechamente acoplado, a solo 6 pares de bases de una permeasa de transportador ABC y su potencial proteína parcele de unión a ATP, junto con otra bacterioc anotada y un regulador transcripcional XRE. Esto proporcionó una fuerte evidencia contextual de que el candidato forma parte de un sistema de bacteriocina funcional.

Construir una hipótesis mecanicista a partir de la literatura. Al revisar la literatura existente, el agente propuso cómo podría actuar la molécula y sobre qué patógenos. En este caso, la evidencia existente apunta a un mecanismo de acción que ataca la división celular bacteriana, con un espectro de potencia predicho que abarca varios patógenos resistentes a fármacos.

Generar un plan experimental. Finalmente, el agente tradujo sus hallazgos in silico en un protocolo de banco accionable que abarca expresión de proteínas, pruebas de susceptibilidad antimicrobiana, compromiso del objetivo y pruebas de toxicidad in vitro —cerrando la brecha entre la predicción computacional y el experimento de laboratorio húmedo. Ese paso ya está en marcha: el candidato, junto con varios otros descubiertos mediante el mismo flujo, se encuentra ahora en validación de laboratorio húmedo, donde los resultados experimentales proporcionarán la prueba definitiva del análisis del agente.

El candidato descubierto en la guía representa una molécula líder biológicamente plausible respaldada por evidencia estructural y genómica, pero aún requiere validación de laboratorio húmedo. Lo que hace significativo este avance, según la publicación, es cómo reduce drásticamente la barrera de los flujos de trabajo biológicos cotidianos, convirtiendo días de cribado fragmentado de bases de datos en una sola sesión colaborativa. Si bien la sesión se centró en una ventana estrecha de aminoácidos en Streptococcus pseudopneumoniae, los investigadores pueden llevar la conversación en cualquier dirección —añadiendo nuevos criterios de filtrado, explorando diferentes longitudes de secuencia o apuntando a otros patógenos prioritarios. Al ampliar la búsqueda desde comensales humanos hasta microbios ambientales y más allá, los científicos pueden guiar al agente a través de UniProt para descubrir candidatos de AMP novedosos a escala. Para quienes siguen si el descubrimiento guiado por IA puede pasar de la predicción a la función verificada, los resultados de estas validaciones de laboratorio húmedo son la próxima señal concreta a observar.

Un lienzo 3D compartido para la colaboración interactiva

La estructura 3D de una proteína puede ayudar a explicar su función biológica, por lo que es esencial examinar el plegamiento predicho del candidato en el espacio. Para ofrecer este flujo de trabajo de extremo a extremo en un solo espacio de trabajo, Google presenta el Biomolecular Structure Viewer, una herramienta de visualización 3D integrada directamente en Antigravity.

El investigador y el agente trabajan juntos sobre un estado visual compartido. A medida que el agente recupera estructuras de la base de datos AlphaFold o de las predicciones del propio científico, puede controlar dinámicamente el visor —por ejemplo, resaltando regiones funcionales clave para explicar visualmente sus hipótesis. Crucialmente, esta conciencia fluye en ambos sentidos: acciones como resaltar residuos específicos o fijar notas directamente sobre un bolsillo de unión se sincronizan de vuelta con el agente. Un investigador simplemente puede marcar una región de interés en el espacio 3D y preguntar, por ejemplo, "¿Cómo podría afectar esta hoja beta a la unión Lipid II?", permitiendo que el agente razone de inmediato sobre el contexto estructural exacto que el científico está observando.

Acelerando el descubrimiento científico

Históricamente, descubrir ideas como las demostradas en el flujo de trabajo requería software fragmentado y especializado: escribir scripts personalizados para consultar bases de datos, exportar manualmente archivos a programas de modelado 3D, gestionar herramientas genómicas desconectadas y trabajar con múltiples expertos para diseñar ensayos de laboratorio húmedo. Debido a que la validación de laboratorio húmedo sigue siendo intensiva en recursos, reducir el espacio de búsqueda solo a las pistas de mayor confianza de antemano es fundamental. Google Antigravity permite a los investigadores navegar eficientemente por el vasto espacio de búsqueda biológica mientras aprovechan predicciones precisas de función proteica de un modelo específico del dominio, ejecutando este razonamiento científico de extremo a extremo en un solo lugar. Eso, según la empresa, permite a los científicos dedicar más tiempo a evaluar hipótesis de alta calidad, realizar experimentos en el laboratorio y resolver desafíos de investigación.

Agradecimientos

La publicación reconoce las contribuciones de los siguientes miembros del equipo: 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 y Sebastian Nowozin.