Ускорение поиска антимикробных пептидов с Google Antigravity
Пэнфэй Тянь, Максвелл Л. Билески, Зои Цангали́ду, Сукхдип Сингх и Люси Дж. Колуэлл
Новые антибиотики крайне необходимы для борьбы с растущей устойчивостью к противомикробным препаратам, однако поиск новых терапевтических средств зачастую представляет собой медленный и трудоёмкий процесс. Благодаря агентной платформе разработки Google Antigravity этот процесс теперь можно упростить.
Google Antigravity предоставляет рабочую среду для агентной научной работы, позволяющую биологам быстро находить, структурно оценивать и расставлять приоритеты среди перспективных целей, объединяя разрозненный поиск по нескольким базам данных в рамках одного сеанса. Платформа также помогает исследователям просматривать миллионы ранее не охарактеризованных белков в базе данных UniProt с помощью ProtNLM — модели, предсказывающей биологическую функцию по аминокислотным последовательностям.
В этом техническом обзоре показано, как биологи использовали Google Antigravity для обнаружения нового кандидата в антимикробные пептиды, обладающего, согласно прогнозам, активностью против патогенов, вызывающих инфекции дыхательных путей. Выявленный здесь ведущий кандидат сейчас проходит валидацию в лаборатории.
Поиск новых антимикробных пептидов
Растущая устойчивость к противомикробным препаратам — один из наиболее острых глобальных кризисов в сфере здравоохранения нашего времени; по оценкам, к 2050 году она может привести к 10 миллионам смертей ежегодно во всём мире. Чтобы предотвратить это, нам необходимо срочно открывать новые терапевтические средства. Антимикробные пептиды (AMP), особенно бактериоцины, представляют собой многообещающую альтернативу традиционным антибиотикам, поскольку они эволюционировали естественным образом для воздействия на фундаментальные уязвимости конкурирующих бактерий — от клеточных оболочек до важнейших внутриклеточных механизмов, — что затрудняет развитие устойчивости у патогенов.
Экспоненциальный рост геномного и метагеномного секвенирования наполнил глобальные базы данных миллиардами природных аминокислотных последовательностей. Этот массив природных данных уже позволил обнаружить бактериоцины, используемые во всём мире, такие как нисин, а также недавние открытия, сделанные с помощью поиска по геномам, — даробактин, динабактин и лариоцидин.
Однако многие из них по-прежнему скрыты в неаннотированной «тёмной материи» белковых баз данных: их функция не охарактеризована, поскольку они не похожи на известные белки. Например, ведущий мировой открытый ресурс информации о белковых последовательностях и их функциях, UniProt, содержит миллионы последовательностей с неизвестной функциональностью, напрямую перенесённых из проектов по секвенированию геномов.
Чтобы восполнить этот пробел, Google разработала ProtNLM (Protein Natural Language Model) — модель глубокого обучения, обученную непосредственно считывать лежащую в основе аминокислотных последовательностей эволюционную «грамматику». Это позволяет модели предсказывать биологическую функцию непосредственно по исходным белковым последовательностям, дополняя миллионы ранее неименованных записей UniProt высоконадёжными функциональными метками.
Обзор конвейера ProtNLM, преобразующего исходные аминокислотные последовательности в биологические аннотации на естественном языке для непроверенных записей UniProtKB/TrEMBL. Функциональная аннотация системы охватывает названия белков, комментарии о функциях, субклеточные локализации и термины GO, а также ключевые слова.
Коллаборативный интеллект
Научное открытие редко бывает одноэтапным процессом: поиск жизнеспособных белков-кандидатов требует человеческой интуиции и итераций для учёта новых эмпирических данных. Работая в Antigravity, исследователь и ИИ-агент начинают с постановки конкретной биологической цели: найти и вычислительно подтвердить новые AMP в Streptococcus pseudopneumoniae. В ходе интерактивного многошагового сеанса исследователь направляет научную стратегию, решая, какие вопросы задавать и какие доказательства собирать, а агент берёт на себя основную работу по координации межбазовых запросов, структурному анализу и обобщению научной литературы.
Навигация в огромном пространстве поиска:
Агент выполняет запрос к базе данных и отфильтровывает миллионы записей, оставляя лишь несколько кандидатов, заслуживающих внимания. Здесь агент обнаруживает бактериоцин (идентификатор Uniprot: A0A0U0D591) длиной 97 аминокислот из семейства лактококцина 972.
Подтверждение новизны находки:
Чтобы проверить новизну этого открытия, исследователь направляет агента на проверку кандидата по курируемым данным Swiss-Prot через сервис EMBL-EBI NCBI-BLAST и подтверждает, что этот пептид не имеет значимого гомолога последовательности среди вручную проверенных белков.
Анализ трёхмерной структуры белка:
Исследователь направляет анализ в сторону структурных доказательств. Агент получает трёхмерную модель кандидата из Базы данных структур белков AlphaFold, сопоставляет её с экспериментально определёнными структурами для выявления отдалённых гомологов и накладывает модели друг на друга, чтобы оценить сходство. Здесь структурные данные подтверждают прогноз ProtNLM: сворачивание кандидата близко соответствует экспериментально определённому бактериоцину. Средство просмотра структур в Antigravity позволяет без лишних усилий провести этот структурный анализ в одном месте.
Анализ биологического контекста гена:
Агент выходит за пределы самой молекулы и исследует её геномное окружение, оценивая, подтверждает ли соседний генетический аппарат гипотезу об AMP. Изучая фланкирующие гены, он обнаруживает важную закономерность: ранее не охарактеризованный кандидат расположен выше по течению от тесно связанного оперона, всего в 6 парах оснований от проницаемого компонента ABC-транспортера и его потенциального партнёра — АТФ-связывающего белка, рядом с другим аннотированным бактериоцином и транскрипционным регулятором XRE. Это даёт веские контекстуальные основания считать, что он входит в функционирующую систему бактериоцина.
Формирование механистической гипотезы на основе литературы:
Изучив существующую литературу, агент предполагает, как может действовать молекула и на какие патогены она может воздействовать. В данном случае имеющиеся данные указывают на механизм действия, направленный на деление бактериальных клеток, а также на прогнозируемый спектр активности против нескольких патогенов, устойчивых к лекарственным препаратам.
Создание экспериментального плана:
Наконец, агент преобразует результаты вычислений в практический лабораторный протокол, охватывающий экспрессию белка, тестирование чувствительности к противомикробным препаратам, оценку взаимодействия с мишенью и проверку токсичности in vitro, устраняя разрыв между вычислительным прогнозом и лабораторным экспериментом. Этот этап уже начался: данный кандидат — наряду с несколькими другими, обнаруженными с помощью того же конвейера, — проходит лабораторную валидацию, в ходе которой экспериментальные результаты станут окончательной проверкой анализа агента.
Кандидат, выявленный в этом обзоре, представляет собой биологически правдоподобный ведущий кандидат, подтверждённый структурными и геномными данными, однако он всё ещё требует лабораторной валидации. Значимость этого результата заключается в том, насколько сильно он снижает барьер для повседневных биологических рабочих процессов, превращая дни разрозненного анализа баз данных в один совместный сеанс. Хотя этот сеанс был посвящён узкому диапазону аминокислот в Streptococcus pseudopneumoniae, исследователи могут направить обсуждение в любом направлении: добавить новые критерии фильтрации, изучить последовательности другой длины или выбрать другие приоритетные патогены. Расширяя поиск от комменсалов человека до почвенных микроорганизмов и других объектов, учёные могут направлять агента по базе UniProt для масштабного обнаружения новых кандидатов в AMP.
Общее трёхмерное пространство для интерактивного сотрудничества
Трёхмерная структура белка может помочь понять его биологическую функцию. Изучение пространственного сворачивания кандидата имеет ключевое значение. Чтобы обеспечить такой сквозной рабочий процесс в едином рабочем пространстве, мы представляем Средство просмотра биомолекулярных структур — инструмент трёхмерной визуализации, встроенный непосредственно в Antigravity.
Исследователь и агент совместно работают с общим визуальным состоянием. Получая структуры из базы данных AlphaFold или собственные прогнозы учёного, агент может динамически управлять средством просмотра. Например, он может выделять ключевые функциональные области, чтобы наглядно объяснить свои гипотезы. Важно, что эта осведомлённость работает в обоих направлениях: такие действия, как выделение определённых остатков или закрепление заметок непосредственно на участке связывания, синхронизируются с агентом. Исследователь может просто отметить интересующую область в трёхмерном пространстве и спросить, например: «Как эта β-цепь может влиять на связывание с липидом II?», — что позволяет агенту немедленно рассуждать с учётом именно того структурного контекста, который видит учёный.
Средство просмотра биомолекулярных структур в Antigravity показывает предсказанную AlphaFold структуру кандидата в бактериоцины, предоставляя исследователю и агенту общее трёхмерное пространство для изучения и аннотирования функциональных областей.
Ускорение научных открытий
Исторически получение таких выводов, как в описанном выше рабочем процессе, требовало разрозненного специализированного программного обеспечения: написания собственных скриптов для запросов к базам данных, ручного экспорта файлов в программы трёхмерного моделирования, работы с несвязанными геномными инструментами и привлечения нескольких экспертов для разработки лабораторных анализов. Поскольку лабораторная валидация по-прежнему требует значительных ресурсов, критически важно заранее сузить пространство поиска до наиболее надёжных кандидатов. Google Antigravity позволяет исследователям эффективно ориентироваться в огромном биологическом пространстве поиска, используя точные прогнозы функций белков, полученные с помощью специализированной модели.
Google Antigravity выполняет все этапы научного рассуждения в одном месте. Это позволяет учёным тратить больше времени на оценку качественных гипотез, проведение экспериментов в лаборатории и решение исследовательских задач.
Благодарности
Мы хотели бы отметить вклад следующих членов команды: Мария Габриэла Кардозу, Виктория Джонстон, Лекси Уокер, Джена Хонг, Джеймс Кинг, Ричард Грин, Филип Радлински, Артём Соболев, Майкл В. Левайн, Жуйцзе К. Чжан, Закари Ву, Лука Шульц, Эми Дэнсон, Тристан Оливер Кван, Райан Крюгер, Олег Ковалевский, Дуг Фриц, Юньхань Сюй, Себастьян Новозин
Переведено автоматически с английского. Оригинал статьи — по ссылке ниже.