Google DeepMind ha presentato una dimostrazione tecnica dell’utilizzo di Google Antigravity per la scoperta di nuovi peptidi antimicrobici, descrivendo un processo di ricerca nel quale un agente di intelligenza artificiale ha affiancato i biologi nell’analisi di banche dati proteiche, strutture molecolari e informazioni genomiche. L’attività ha portato all’individuazione di un candidato appartenente alla famiglia delle batteriocine nel batterio Streptococcus pseudopneumoniae, selezionato attraverso un percorso di analisi computazionale e attualmente sottoposto a validazione sperimentale in laboratorio. Il progetto è stato sviluppato da Pengfei Tian, Maxwell L. Bileschi, Zoi Tsangalidou, Sukhdeep Singh e Lucy J. Colwell e utilizza Antigravity come ambiente di lavoro nel quale il ricercatore definisce gli obiettivi scientifici e controlla le decisioni, mentre l’agente coordina interrogazioni alle banche dati, confronti strutturali e ricostruzione delle evidenze disponibili. La ricerca si concentra sulle batteriocine, peptidi prodotti naturalmente da alcuni microrganismi per competere con altri batteri, capaci di interferire con componenti essenziali della cellula bersaglio, tra cui gli involucri cellulari e i meccanismi intracellulari necessari alla sopravvivenza.
La prima fase ha utilizzato ProtNLM, Protein Natural Language Model, un modello di apprendimento profondo sviluppato per prevedere le funzioni biologiche direttamente dalle sequenze di amminoacidi. Il sistema è stato impiegato per arricchire milioni di registrazioni della banca dati UniProt precedentemente prive di una caratterizzazione funzionale dettagliata, attribuendo etichette biologiche ad alta confidenza. La quantità di sequenze disponibili costituisce una risorsa particolarmente ampia per la ricerca di composti antimicrobici: le attività di sequenziamento genomico e metagenomico hanno infatti prodotto miliardi di sequenze naturali, mentre numerose proteine archiviate rimangono prive di una funzione sperimentalmente accertata. La ricerca di nuove batteriocine si inserisce in un settore che comprende molecole già ampiamente conosciute, come la nisina, e composti identificati attraverso l’analisi genomica, tra cui darobactina, dynobactina e lariocidina. Nel caso esaminato da DeepMind, l’agente ha interrogato UniProt e progressivamente filtrato milioni di registrazioni, arrivando a selezionare una proteina di 97 amminoacidi identificata dal codice A0A0U0D591 e classificata nella famiglia Lactococcin 972. Le predizioni iniziali indicavano una possibile attività nei confronti di patogeni associati alle infezioni delle vie respiratorie.
Dopo la selezione, il gruppo ha avviato una procedura di verifica della novità della sequenza e della compatibilità tra struttura molecolare e funzione prevista. Attraverso il servizio NCBI-BLAST dell’EMBL-EBI, l’agente ha confrontato la sequenza con le proteine della banca dati Swiss-Prot, costituita da registrazioni sottoposte a revisione manuale, senza individuare omologhi significativi a livello di sequenza. L’assenza di corrispondenze rilevanti ha motivato un approfondimento strutturale: il sistema ha recuperato dalla AlphaFold Protein Structure Database un modello tridimensionale della proteina candidata e ha utilizzato Foldseek per confrontarlo con strutture proteiche determinate sperimentalmente. Le successive sovrapposizioni dei modelli hanno evidenziato una conformazione compatibile con quella di una batteriocina già caratterizzata, fornendo un’indicazione a favore della funzione suggerita da ProtNLM. La combinazione tra confronto delle sequenze e analisi della struttura ha permesso di individuare una possibile somiglianza funzionale anche in assenza di un’omologia di sequenza sufficientemente forte da emergere nella ricerca iniziale.
L’indagine è stata estesa al contesto genomico della proteina, verificando la posizione del gene e le caratteristiche delle sequenze adiacenti. Il candidato è risultato collocato sei paia di basi a monte di un operone strettamente associato che comprende una permeasi di trasportatore ABC e una possibile proteina partner coinvolta nel legame dell’ATP. Nella stessa regione genomica sono stati identificati un’altra batteriocina annotata e un regolatore trascrizionale della famiglia XRE. La vicinanza tra questi elementi è coerente con l’organizzazione di un sistema batteriocinico nel quale più componenti possono contribuire alla produzione, alla regolazione e al trasporto delle molecole antimicrobiche. L’agente ha successivamente esaminato la letteratura scientifica disponibile, formulando un’ipotesi di meccanismo d’azione legato all’interferenza con la divisione cellulare batterica e proponendo un possibile spettro di attività comprendente alcuni patogeni resistenti ai farmaci. Si tratta di previsioni computazionali che richiedono conferme sperimentali, poiché le analogie strutturali e genomiche non dimostrano direttamente l’efficacia antimicrobica del peptide.
L’ultima fase del lavoro computazionale ha riguardato la preparazione di un protocollo sperimentale destinato a verificare le ipotesi formulate. Il sistema ha organizzato le attività previste per l’espressione della proteina, la misurazione della sensibilità antimicrobica, l’identificazione del bersaglio molecolare e la valutazione della tossicità in vitro. In questo modo, le evidenze raccolte attraverso le banche dati sono state trasformate in una sequenza di verifiche da condurre in laboratorio, mantenendo la distinzione tra risultati di analisi in silico e dati sperimentali. DeepMind ha precisato che il peptide individuato, insieme ad altri candidati emersi attraverso lo stesso percorso, è attualmente oggetto di validazione wet-lab; non sono quindi ancora disponibili risultati conclusivi che ne dimostrino l’efficacia terapeutica o l’utilizzabilità come antibiotico.
La dimostrazione è stata accompagnata dall’introduzione di Biomolecular Structure Viewer, un visualizzatore tridimensionale integrato direttamente in Antigravity che permette all’agente e al ricercatore di condividere lo stesso contesto strutturale. Quando vengono recuperati modelli dall’AlphaFold Database oppure strutture generate attraverso strumenti esterni, l’agente può utilizzare il visualizzatore per evidenziare regioni funzionali, residui specifici e caratteristiche geometriche rilevanti. Le interazioni sono bidirezionali: un ricercatore può selezionare una regione della proteina, aggiungere annotazioni a una tasca di legame oppure evidenziare determinati amminoacidi, trasferendo queste informazioni all’agente affinché possa considerarle nelle interrogazioni successive. DeepMind ha illustrato questa possibilità attraverso l’esame di una struttura beta e della sua eventuale influenza sul legame con il Lipid II, una molecola coinvolta nella biosintesi della parete cellulare batterica. L’agente può così formulare le proprie ipotesi facendo riferimento alla specifica regione tridimensionale indicata dal ricercatore.
Antigravity dispone inoltre di personalizzazioni scientifiche che comprendono plugin, competenze specialistiche, sottoagenti e meccanismi di collegamento con oltre 30 importanti banche dati del settore delle scienze della vita, tra cui UniProt, PubChem, ChEMBL e 1PB AlphaGenome Atlas. Il plugin Science è installabile dal marketplace interno delle personalizzazioni e permette di integrare modelli e risorse come AlphaGenome, AlphaFold Database e Atlas nello stesso ambiente di ricerca. Le funzionalità comprendono la generazione di script di analisi riproducibili, la creazione di rappresentazioni molecolari tridimensionali attraverso PyMOL e la produzione di risultati verificabili e utilizzabili nella documentazione scientifica. Il sistema supporta macOS, Windows, Linux e Googlebook, mentre le personalizzazioni sono distribuite anche attraverso una repository open source. Google ha inoltre annunciato un programma che mette a disposizione di 10.000 ricercatori l’accesso gratuito a Gemini 4 Argon all’interno di Antigravity, con il livello massimo di utilizzo previsto. Durante la dimostrazione relativa alla batteriocina era stato invece selezionato Gemini 3.8 Flash, utilizzato per coordinare le attività di ricerca e analisi strutturale.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)