发布时间：2026年10月15日
作者：飞天，麦克斯韦尔 L毕莱斯基，佐伊·桑加利杜，苏克迪普·辛格和露西。没有。科尔韦尔
面对抗生素耐药性水平的持续上升，寻找新型疗法通常是一个缓慢且劳动密集的过程。Google DeepMind 宣布，其代理开发平台 Google Antigravity 正在简化这一流程。
Google Antigravity 提供了一个代理科学工作台，允许生物学家快速发现、结构性评估并优先考虑有前途的目标。该平台将过去需要在多个数据库中进行的碎片化搜索压缩为单一的协作会议。此外，它帮助研究人员使用 ProtNLM 模型从氨基酸序列预测生物功能，并在 UniProt 数据库中扫描数百万个以前未被描述的蛋白质。
最新的技术介绍展示了生物学家如何使用 Google Antigravity 发现一种新型抗微生物候选物。该药物已被预测对呼吸道感染的病原体具有活性，目前正在进行湿实验室验证。
应对抗微生物药物耐药性危机
抗微生物药物耐药性（AMR）是当前最紧迫的全球卫生危机之一，预计到 2050 年，全球每年将有 1000 万人因此死亡。为了防止这种情况，迫切需要发现新的治疗方法。
抗微生物肽（AMP），特别是细菌素，被视为传统抗生素的有希望的替代品。这是因为它们自然演变为针对竞争性细菌的基本脆弱性，从细胞包裹到必要的细胞内机械，使得病原体难以发展出耐药性。
基因组和基因组测序技术的指数级增长使全球数据库充满了数十亿个天然的氨基酸序列。这一“自然数据库”已经产生了如尼辛（Nisin）等全球使用的细菌素，以及最近的基因组挖掘突破。
然而，许多蛋白质仍然被锁定在蛋白质数据库的未注释“暗物质”中，因为它们与已知蛋白质不相似，导致功能未被描述。例如，世界领先的蛋白质序列和功能信息公共资源 UniProt 拥有数以百万计直接从基因组测序项目中转移过来的未知功能序列。
为了弥合这一差距，Google 开发了 ProtNLM（蛋白质自然语言模型）。这是一个深度学习模型，经过训练以直接读取氨基酸序列的基础进化“语法”。这使得该模型能够从原始蛋白序列直接预测生物功能，并以高可靠性的功能标签丰富数百万个以前未命名的 UniProt 条目。
人机协作的情报整合
科学发现很少是单个步骤的过程。找到可行的候选蛋白质需要人类的直觉和 AI 代理结合新的经验证据。在 Antigravity 工作中，研究人员和人工智能代理人首先设定了一个专注的生物目标：在假肺炎链球菌（Streptococcus pseudopneumoniae）中找到并通过计算验证新型 AMP。
在交互式的多轮会议中，研究人员指导科学策略，决定提出哪些问题以及收集哪些证据；而代理人则处理跨数据库编排、结构分析和文献综合的繁重工作。
虽然结果通过结构和基因组证据支持，但仍需实验室验证。这种模式大大降低了日常生物工作流程的障碍，将几天的碎片化数据库检索转化为单一的协作会议。尽管本次会议专注于假肺炎链球菌中狭窄的氨基酸窗口，但研究人员可以在任何方向上进行对话，例如在新的过标准中分层，探索不同的序列长度或针对其他优先病原体。通过将搜索范围扩大，从人类食用物到环境微生物，科学家们可以指导 UniProt 发现新的 AMP 候选物。
共享的 3D 画布用于交互式协作
蛋白质的三维结构有助于理解其生物功能，检查候选人在太空中预测的折叠是关键环节。Google 推出了嵌入在 Antigravity 中的生物分子结构查看器，这是一个 3D 可视化工具。
研究者和特工在共同的视觉状态上共同工作。当代理从 AlphaFold 数据库或科学家自己的预测中获取结构时，它可以动态地驱动观众。例如，它可以突出关键的功能区域以视觉解释其假设。重要的是，这种意识是双向的：像突出显示特定残留物或直接将笔记贴在绑定口袋上的行动会同步回到代理人。研究人员可以简单地在 3D 空间中标记一个感兴趣的区域，并询问：“这个β-链如何影响脂质 II 结合？”
加速端到端科学推理
历史上，发现上述工作流程中的洞察力需要碎片化和专业化的软件：编写自定义脚本查询数据库，手动导出文件到 3D 建模程序，管理断开的基因组工具并与多名专家合作设计湿实验室测试。由于湿实验室验证仍然是资源密集型的，缩小搜索空间至最可靠的线索至关重要。
使用 Google Antigravity，研究人员能够有效地在广阔的生物搜索空间中进行导航，同时利用特定领域模型的精确蛋白质功能预测。该平台在一个地方执行了端到端的科学推理，使科学家能够花更多时间评估高质量的假设，在实验室中进行实验和解决研究挑战。
致谢
感谢以下团队成员的贡献：玛丽亚·加布里埃拉·卡多索，维多利亚·约翰斯顿，莱克西·沃克。莱维恩，鲁杰 K.张，扎卡里·，卢卡·舒尔茨，艾米·丹森，特里斯坦·奥利弗·夸恩，瑞安·克鲁格，奥列格·科瓦列夫斯基，道格·弗里茨，云汉·徐，塞巴斯蒂安·诺沃津
