Google Antigravity 如何加速抗菌肽的搜索

2026年10月15日科学

Pengfei Tian、Maxwell L. Bileschi、Zoi Tsangalidou、Sukhdeep Singh 和 Lucy J. Colwell

面对日益严重的 antimicrobial resistance（抗菌药耐药性），新型抗生素的需求迫在眉睫，但寻找新疗法往往是一个缓慢且耗费人力的过程。借助我们的智能体开发平台 Google Antigravity，这一过程现在可以变得更加轻松。

Google Antigravity 提供了一个智能体科学工作台，帮助生物学家快速发现、进行结构评估并优先筛选有前景的靶点，将以往分散在多个数据库中的检索压缩到单一会话中完成。它还能帮助研究人员使用 ProtNLM（一个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。

本技术详解展示了生物学家如何利用 Google Antigravity 发现了一种新型抗菌肽候选物，该候选物经预测对呼吸道感染相关病原体具有活性。此处发现的先导化合物目前正在进行湿实验验证。

寻找新的抗菌肽

不断加剧的 antimicrobial resistance（抗菌药耐药性）是当今最紧迫的全球健康危机之一，据估计，到2050年每年可能导致全球1000万人死亡。为防止这一局面，我们迫切需要发现新的治疗药物。抗菌肽（AMPs），尤其是细菌素，为传统抗生素提供了一种有前景的替代方案，因为它们在自然进化中专门针对竞争细菌的根本性弱点发起攻击——从细胞包膜到关键的胞内机制——使病原体难以产生耐药性。

基因组与宏基因组测序的指数级增长，已使全球数据库中积累了数十亿条天然氨基酸序列。这一天然数据宝库已经产生了如 Nisin 这样在全球广泛使用的细菌素，以及近期通过基因组挖掘取得的突破，如 Darobactin、Dynobactin 和 Lariocidin。

然而，许多序列仍被锁定在蛋白质数据库未经注释的"暗物质"中，由于它们与已知蛋白质不相似，其功能尚未得到表征。例如，全球领先的蛋白质序列与功能信息公共资源 UniProt 中就保存着数百万条功能未知的序列，它们直接来源于基因组测序项目。

为弥合这一差距，Google 开发了 ProtNLM (Protein Natural Language Model)，这是一个经过训练、能够直接读取氨基酸序列底层进化"语法"的深度学习模型。这使得模型可以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 条目补充了高置信度的功能标签。

协作智能

科学发现很少是单一流程；寻找可行的候选蛋白质需要人类直觉，并反复融入新的实证证据。在 Antigravity 中，研究人员与 AI 智能体首先设定一个聚焦的生物学目标：在 Streptococcus pseudopneumoniae（假肺炎链球菌）中发现并通过计算验证新型 AMP。在一次交互式的多轮会话中，研究人员把控科学策略，决定提出哪些问题、收集什么证据，而智能体则承担繁重的工作，包括跨数据库编排、结构分析和文献综合。

我们在此演示中发现的候选物是一个具有生物学合理性的先导分子，有结构和基因组证据支持，但仍需湿实验室验证。它的意义在于极大地降低了日常生物学工作流程的门槛，把原本数天碎片化的数据库筛选变成了单次协作会话。虽然本次会话只聚焦于 Streptococcus pseudopneumoniae 中一个狭窄的氨基酸窗口，但研究人员可以把对话引向任何方向，例如叠加新的过滤条件、探索不同的序列长度，或瞄准其他优先病原体。通过把搜索范围从人类共生菌扩展到环境微生物乃至更广，科学家可以引导智能体在 UniProt 中大规模发现新型 AMP 候选物。

用于交互协作的共享 3D 画布

蛋白质的 3D 结构有助于我们理解其生物学功能。在空间中审视候选物的预测折叠结构至关重要。为了在单一工作区内提供这种端到端工作流，我们推出了 生物分子结构查看器（Biomolecular Structure Viewer），一款直接嵌入 Antigravity 的 3D 可视化工具。

研究人员与智能体在一个共享的视觉状态上协同工作。当智能体从 AlphaFold Database 或科学家自己的预测中获取结构时，它可以动态驱动查看器。例如，它可以高亮关键功能区域，以直观方式解释其假设。至关重要的是，这种感知是双向的：诸如高亮特定残基或把注释直接钉在结合口袋上等操作都会同步回传给智能体。研究人员只需在 3D 空间中标记一个感兴趣的区域，然后提问，例如“这条 β-折叠链会如何影响 Lipid II 的结合？”，智能体便能立即基于科学家正在查看的确切结构背景进行推理。

加速科学发现

从历史上看，要获得上文工作流程中所展示的这类洞见，需要使用碎片化的专业软件：编写自定义脚本来查询数据库、手动将文件导出到 3D 建模程序、管理彼此割裂的基因组学工具，并与多位专家合作设计湿实验室实验。由于湿实验室验证仍然非常耗费资源，预先把搜索空间缩小到置信度最高的先导分子至关重要。使用 Google Antigravity，研究人员可以高效地在广阔的生物学搜索空间中导航，同时利用领域专用模型提供的准确蛋白质功能预测。

Google Antigravity 可以在一处端到端地完成这种科学推理。这让科学家能够把更多时间用于评估高质量的假设、在实验室中运行实验以及攻克研究难题。

致谢

我们感谢以下团队成员的贡献：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、Sebastian Nowozin