随着 antimicrobial resistance（ antimicrobial resistance）日益加剧，新型抗生素的需求十分迫切，但寻找新疗法长期以来一直是一个缓慢而耗时的过程。Google 表示，其智能体开发平台 Google Antigravity 现在可以大幅简化这一过程。在 Google DeepMind 博客发布的技术演示中，研究人员 Pengfei Tian、Maxwell L. Bileschi、Zoi Tsangalidou、Sukhdeep Singh 和 Lucy J. Colwell 描述了生物学家如何利用该平台发现了一种对涉及呼吸道感染的病原体具有预测活性的新型抗菌肽候选物。该演示中确定的先导物目前正在接受湿实验验证。

Antigravity 是一个智能体科学工作台，使生物学家能够快速发现、进行结构评估并排序有前景的靶点，将过去分散在多个数据库中的搜索压缩到一次会话中。在实践中，这意味着软件智能体负责规划和执行多步骤任务——查询数据库、检索结构、起草实验方案——而科学家负责制定策略并评估证据。该平台还帮助研究人员使用 ProtNLM（一种从氨基酸序列预测生物学功能的模型）扫描 UniProt 数据库中数百万个此前未被表征的蛋白质。

寻找新型抗菌肽的挑战

据一篇 英国政府分析，日益加剧的 antimicrobial resistance 是当今最紧迫的全球健康危机之一，到 2050 年全球每年可能导致约 1000 万人死亡。作者认为，要防止这一结果，就必须紧急发现新的治疗方法。

Antimicrobial peptides（AMPs，抗菌肽），尤其是 bacteriocins（细菌素），为传统抗生素提供了有前景的替代方案。它们在自然进化中学会攻击竞争细菌的基本弱点，从细胞包膜到关键的胞内机制，使病原体难以产生耐药性。

基因组学和宏基因组测序的指数级增长使全球数据库积累了数十亿条天然氨基酸序列。这一天然数据池已经产出了如 Nisin 这样被广泛使用的细菌素，以及近期的基因组挖掘突破，包括 Darobactin、Dynobactin 和 Lariocidin。

然而，许多潜在的治疗分子仍被困在蛋白质数据库中未经注释的“暗物质”里，由于它们与已知蛋白质几乎没有相似性，其功能尚未被表征。UniProt 是世界领先的蛋白质序列和功能信息公共资源，拥有数百万条功能未知的序列，直接来自基因组测序项目。

为弥补这一差距，Google 开发了 ProtNLM（Protein Natural Language Model），这是一个深度学习模型，经过训练可以直接读取氨基酸序列底层的进化“语法”。该模型直接从原始蛋白质序列预测生物学功能，为数百万个此前未命名的 UniProt 记录添加了高置信度的功能标签。对于未经审核的 UniProtKB/TrEMBL 记录，其注释范围涵盖蛋白质名称、功能评论、亚细胞定位、GO 词条以及关键词。正是这层注释使未经表征的序列能够以生物学术语被检索到，将原始测序输出转化为可搜索的蛋白质功能索引。

人机协作的实践

科学发现很少是一步完成的过程；寻找可行的候选蛋白质需要人类直觉以及对新实验证据的迭代纳入。在此次演示中，研究人员和 AI 智能体从一个聚焦的生物学目标开始：在 Streptococcus pseudopneumoniae 中发现并通过计算验证新型 AMPs。在整个交互式多轮会话中，引导科学策略——决定提出哪些问题、收集哪些证据——而智能体则承担跨数据库编排、结构分析和文献综合等繁重工作。

该工作流程分为几个阶段展开：

在广阔的搜索空间中导航。 智能体查询数据库，将数百万条记录筛选为少数几个值得关注的候选物，鉴定出一个来自 Lactococcin 972 家族的细菌素（UniProt ID: A0A0U0D591），长度为 97 个氨基酸。

验证发现的创新性。 为确认该发现是全新的，研究人员引导智能体通过 EMBL-EBI NCBI-BLAST 服务将候选物与 Swiss-Prot 中的策划知识进行比对，确认该肽在人工审核的蛋白质中没有有意义的序列同源物。

对三维蛋白质结构进行推理。 研究人员将分析引向结构证据。智能体从 AlphaFold Protein Structure Database 中检索了候选物的三维模型，将其与实验解析的结构进行比对以识别远源同源物，并叠加模型以评估相似性。结构证据印证了 ProtNLM 的预测——候选物的折叠与一个实验解析的细菌素高度吻合，Antigravity 中的结构查看器使这一分析能够在同一处无缝完成。

读取基因周围的生物学上下文。 智能体超越了分子本身，考察其基因组邻域，判断周围的分子机制是否支持 AMP 假设。检查侧翼基因后发现了一个显著的模式：这个此前未被表征的候选物位于一个紧密偶联操纵子的上游，距 ABC 转运蛋白通透酶及其潜在伙伴 ATP 结合蛋白仅 6 个碱基对，旁边还有另一个已注释的细菌素和一个 XRE 转录调节因子。这为该候选物是一个功能性细菌素系统的一部分提供了有力的上下文证据。

基于文献构建机制假设。 通过查阅现有文献，智能体提出了该分子可能的作用方式及其作用的病原体。在本例中，现有证据表明其作用机制针对细菌细胞分裂，且预测的效力谱涵盖多种耐药病原体。

生成实验方案。 最后，智能体将其 in silico 发现转化为可执行的实验台方案，涵盖蛋白质表达、antimicrobial susceptibility testing（抗菌药物敏感性测试）、靶点结合验证和体外毒性测试——弥合了计算预测与湿实验之间的差距。这一步已经在进行中：该候选物以及通过同一流程发现的其他几个候选物目前正处于湿实验验证阶段，实验结果将是对智能体分析的最终检验。

演示中发现的候选物代表了一个有结构和基因组证据支持、在生物学上合理的先导物，但仍需要湿实验验证。据文章所述，其意义在于它极大降低了日常生物学工作流程的门槛，将数天的分散式数据库筛查转化为一次协作会话。虽然本次会话聚焦于 Streptococcus pseudopneumoniae 中一个狭窄的氨基酸窗口，但研究人员可以将对话引向任何方向——增加新的筛选条件、探索不同的序列长度，或针对其他优先病原体。通过将搜索范围从人类共生菌扩展到环境微生物及其他领域，科学家可以引导智能体在 UniProt 中大规模发现新型 AMP 候选物。对于关注 AI 引导的发现能否从预测走向经过验证的功能的人而言，这些湿实验验证的结果是下一个值得关注的切实信号。

用于交互协作的共享三维画布

蛋白质的三维结构有助于解释其生物学功能，因此在空间中考察候选物的预测折叠至关重要。为了在单一工作区中提供这一端到端工作流程，Google 推出了 Biomolecular Structure Viewer（生物分子结构查看器），这是一个直接嵌入 Antigravity 的三维可视化工具。

研究人员和智能体在共享的视觉状态下协同工作。当智能体从 AlphaFold Database 或科学家自己的预测中检索结构时，它可以动态驱动查看器——例如，高亮关键功能区域以直观解释其假设。关键在于，这种感知是双向的：诸如高亮特定残基或将注释直接固定到结合口袋等操作会同步回智能体。研究人员只需在三维空间中标记一个感兴趣的区域，然后提问，例如“这个 β-折叠链会如何影响 Lipid II 结合？”，智能体便能立即针对科学家正在查看的确切结构上下文进行推理。

加速科学发现

从历史上看，揭示类似上述工作流程中的洞察需要零散且专门的软件：编写自定义查询数据库、手动将文件导出到三维建模程序、管理互不相连的基因组工具，并与多位专家合作设计湿实验分析。由于湿实验验证仍然消耗大量资源，预先将搜索空间缩小到仅剩置信度最高的先导物至关重要。Google Antigravity 使研究人员能够高效地 navigates 广阔的生物搜索空间，同时利用来自领域专用模型的准确蛋白质功能预测，在同一处执行这种端到端的科学推理。该公司表示，这让科学家能够将更多时间用于评估高质量假设、在实验室进行实验以及解决研究难题。

致谢

文章感谢了以下团队成员：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 和 Sebastian Nowozin。