隨著抗藥性問題日益嚴重，新型抗生素的需求迫在眉睫，但尋找新療法的過程長期以來既緩慢又耗費人力。Google 表示，其代理式開發平台 Google Antigravity 現在能大幅簡化這一流程。在 Google DeepMind 部落格發布的技術演示中，研究人員 Pengfei Tian、Maxwell L. Bileschi、Zoi Tsangalidou、Sukhdeep Singh 與 Lucy J. Colwell 描述了生物學家如何利用該平台發現一種新型抗菌胜肽候選分子，其對呼吸道感染相關病原體具有預測活性。演示中鑑定出的候選分子目前正進行濕實驗室驗證。

Antigravity 作為一個代理式科學工作台，讓生物學家能夠快速發現、進行結構評估並排定具潛力標靶的優先順序，將過去橫跨多個資料庫的分散式搜尋壓縮為單一工作階段。實際上，這意味著軟體代理會規劃並執行多步驟任務——查詢資料庫、擷取結構、草擬實驗方案——而科學家負責制定策略並權衡證據。該平台也協助研究人員使用 ProtNLM 掃描 UniProt 資料庫中數百萬個以往未被定性蛋白質，ProtNLM 是一種能從胺基酸序列預測生物功能的模型。

尋找新型抗菌胜肽的挑戰

抗藥性上升是當今最迫切的全球健康危機之一，根據一份英國政府分析報告，到 2050 年全球每年死亡人數估計可能達到 1,000 萬人。作者認為，要避免這一結果，就必須緊急發現新型療法。

抗菌胜肽（AMP），特別是細菌素，為傳統抗生素提供了極具前景的替代方案。它們在自然演化中學會了攻擊競爭細菌的根本弱點，從細胞包膜到關鍵的細胞內機制，使病原體難以產生抗藥性。

基因體與巨量元基因體定序的指數級增長，已為全球資料庫累積了數十億條天然胺基酸。這一天然資料庫已產出諸如 Nisin 等廣泛使用的細菌素，以及包括 Darobactin、Dynobactin 與 Lariocidin 在內的近期基因體探勘突破成果。

然而，許多潛在療法分子仍被鎖在蛋白質資料庫中未標註的「黑暗物質」裡，由於它們與已知蛋白質相似度極低，其功能尚未被定性。全球領先的蛋白質序列與功能資訊公共資源 UniProt，存有數百萬條直接來自基因體定序計畫、功能未知的序列。

為了彌合這一差距，Google 開發了 ProtNLM（Protein Natural Language Model），這是一種經訓練可直接解讀胺基酸序列底層演化「文法」的深度學習模型。該模型可直接從原始蛋白質序列預測生物功能，為數百萬條以往未命名的 UniProt 條目賦予高信賴度的功能標籤。對於未經審閱的 UniProtKB/TrEMBL 條目，其標註範圍涵蓋蛋白質名稱、功能註解、次細胞定位、GO 詞條與關鍵字。這一標註層使未定性序列能以生物學術語被檢索，將原始定序產出轉化為可搜尋的蛋白質功能索引。

人機協作的實際運作

科學發現很少是單一步驟的過程；找出可行的候選蛋白質需要人類直覺以及對新實證證據的反覆整合。在這次演示中，研究人員與 AI 代理從一個聚焦的生物學目標著手：在 Streptococcus pseudopneumoniae 中尋找並以計算方式驗證新型 AMP。在互動式的多輪工作階段中，研究人員掌控科學策略——決定提出哪些問題、收集哪些證據——而代理則承擔跨資料庫協調、結構分析與文獻綜整等繁重工作。

整個工作流程分為幾個階段：

在廣大的搜尋空間中導航。 代理查詢資料庫，將數百萬條條目過濾為少數值得關注的候選者，鑑定出一個來自 Lactococcin 972 家族的細菌素（UniProt ID: A0A0U0D591），長度為 97 個胺基酸。

驗證發現的新穎性。 為了確認這項發現前所未見，研究人員引導代理透過 EMBL-EBI NCBI-BLAST 服務，將候選分子與 Swiss-Prot 中的策展知識進行比對，確認該胜肽在人工審閱過的蛋白質中沒有具意義的序列同源物。

對 3D 蛋白質結構進行推理。 研究人員將分析導向結構證據。代理從 AlphaFold 蛋白質結構資料庫擷取候選分子的 3D 模型，將其與實驗測定的結構比對以找出遠端同源物，並疊合模型以評估相似度。結構證據支持了 ProtNLM 的預測，顯示候選分子的摺疊與一個實驗測定的細菌素高度吻合，而 Antigravity 中的結構檢視器讓這項分析得以在同一處無縫完成。

解讀基因周圍的生物學背景。 代理將視角從分子本身延伸至其基因體鄰域，推理周圍的機制是否支持 AMP 假說。檢查側翼基因後發現了一個關鍵模式：這個以往未被定性的候選分子位於一個緊密耦合操縱子的上游，距離一個 ABC 轉運蛋白通透酶及其潛在夥伴 ATP 結合蛋白僅 6 個鹼基對，旁邊還有另一個已標註的細菌素與一個 XRE 轉錄調節因子。提供了強有力的背景證據，表明該候選分子是一個運作中細菌素系統的一部分。

從文獻建立機制假說。 在檢視現有文獻後，代理提出了該分子可能的作用方式及其作用的病原體。在此案例中，現有證據指向一種以細菌細胞分裂為標靶的作用機制，且預測的效力範圍涵蓋多種耐藥性病原體。

產生實驗方案。 最後，代理將其計算發現轉化為可執行的實驗室操作方案，涵蓋蛋白質表現、抗菌感受性測試、標靶結合與體外毒性測試——彌合了計算預測與濕實驗室實驗之間的差距。這一步驟已經啟動：該候選分子連同透過同一流程發現的其他幾個候選者，目前正進行濕實驗室驗證，實驗結果將是對代理分析的最終檢驗。

演示中發現的候選分子是一個在生物學上合理、並有結構與基因體證據支持的先導分子，但仍需要濕實驗室驗證。據文章所述，其意義在於它大幅降低了日常生物學工作流程的門檻，將過去耗時數天的分散式資料庫篩選工作，轉化為單一協作工作階段。雖然這次工作階段聚焦於 Streptococcus pseudopneumoniae 中一個狹窄的胺基酸區間，研究人員可以將對話引向任何方向——加入新的過濾條件、探索不同的序列長度，或針對其他優先病原體。透過將搜尋範圍從人類共生菌擴展到環境微生物乃至更廣，科學家可以引導代理橫跨 UniProt 大規模發現新型 AMP 候選分子。對於關注 AI 引導的發現能否從預測走向已驗證功能的人而言，這些濕實驗室驗證的結果將是下一個值得關注的具體訊號。

用於互動協作的共享 3D 畫布

蛋白質的 3D 結構有助於解釋其生物學功能，因此在空間中檢視候選分子的預測摺疊至關重要。為了在單一工作區提供這種端到端工作流程，Google 推出了 Biomolecular Structure Viewer，這是一款直接內建於 Antigravity 的 3D 視覺化工具。

研究人員與代理在共享的視覺狀態上協同工作。當代理從 AlphaFold 資料庫或科學家自己的預測中擷取結構時，可以動態驅動檢視器——例如突顯關鍵功能區域，以視覺化方式解釋其假說。關鍵在於，這種感知是雙向的：突顯特定殘基或在結合口袋上直接標註筆記等操作，都會同步回代理。研究人員只需在 3D 空間中標記感興趣的區域，並提出例如「這條 β 股可能如何影響 Lipid II 的結合？」等問題，代理就能立即針對科學家正在檢視的確切結構背景進行推理。

加速科學發現

過去，要獲得如上所示工作流程中的洞見，需要使用零散且專門的軟體：撰寫自訂腳本查詢資料庫、手動將檔案匯出至 3D 建模程式、管理彼此獨立的基因體工具，並與多位專家合作設計濕實驗室檢測。由於濕實驗室驗證仍然耗費資源，事先將搜尋空間縮小到信賴度最高的先導分子至關重要。Google Antigravity 讓研究人員能夠有效率地導航廣大的生物學搜尋空間，同時運用特定領域模型提供的準確蛋白功能預測，在一處完成這種端到端的科學推理。該公司表示，這讓科學家能夠將更多時間投入評估高品質假說、在實驗室進行實驗以及解決研究難題。

致謝

文章特別感謝以下團隊成員：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 與 Sebastian Nowozin。