Google Antigravity 加速抗菌肽发现，内置 Biomolecular Structure Viewer

2026年10月15日 科学

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

随着抗菌药物耐药性不断加剧，我们迫切需要新型抗生素，但寻找新疗法往往是一个缓慢且耗费人力的过程。借助 Google Antigravity 这一智能体开发平台，这一过程如今可以变得更加轻松。

Google Antigravity 提供了一个智能体科学工作台，使生物学家能够快速发现、进行结构评估并优先排序有前景的靶点，将过去分散在多个数据库中的搜索压缩到一次会话中完成。它还能帮助研究人员利用 ProtNLM 扫描 UniProt 数据库中数百万个此前未被表征的蛋白质，该模型可根据氨基酸序列预测生物学功能。

本技术演示展示了生物学家如何使用 Google Antigravity 发现一种新型抗菌肽候选物，该候选物被预测对呼吸道感染相关病原体具有活性。这里确定的先导化合物目前正在进行湿实验验证。

寻找新型抗菌肽

不断上升的抗菌药物耐药性是我们这个时代最紧迫的全球健康危机之一，到2050年，估计可能导致全球每年1000万人死亡。为防止这一情况，我们迫切需要发现新型疗法。抗菌肽（AMP），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已针对竞争性细菌的基本脆弱环节，从细胞包膜到必需的胞内机制，使病原体难以产生耐药性。

基因组和宏基因组测序的指数级增长已使全球数据库充满了数十亿条天然氨基酸序列。这一天然数据池已经产生了全球广泛使用的细菌素，如 Nisin，以及近期通过基因组挖掘取得的突破，如 Darobactin、Dynobactin 和 Lariocidin。

然而，许多仍被锁在蛋白质数据库中未注释的“暗物质”里，其功能未被表征，因为它们与已知蛋白质不相似。例如，全球领先的蛋白质序列与功能信息公共资源 UniProt 中，就存有数百万条功能未知、直接来自基因组测序项目的序列。

为弥合这一差距，Google 开发了 ProtNLM（蛋白质自然语言模型），这是一个深度学习模型，经过训练可直接读取氨基酸序列背后潜在的进化“语法”。这使该模型能够直接从原始蛋白质序列预测生物学功能，为数百万条此前未命名的 UniProt 条目补充高置信度的功能标签。

协作智能

科学发现很少是一蹴而就的过程；找到可行的候选蛋白质需要人类的直觉和反复迭代，以纳入新的实证证据。在 Antigravity 中工作时，研究人员和 AI 智能体首先设定一个明确的生物学目标：在Streptococcus pseudopneumoniae中发现并通过计算验证新型 AMP。在交互式的多轮会话中，研究人员主导科学策略，决定提出哪些问题、收集哪些证据，而智能体则承担跨数据库编排、结构分析和文献综合等繁重工作。

本次演示中我们发现的候选物是一个具有生物学合理性的先导化合物，有结构和基因组证据支持，但仍需湿实验验证。其意义在于它极大地降低了日常生物学工作流程的门槛，将原本需要数天、碎片化的数据库筛查转变为一次协作会话。虽然本次会话聚焦于Streptococcus pseudopneumoniae中一个狭窄的氨基酸窗口，但研究人员可以将对话引向任何方向，例如加入新的筛选标准、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遍历 UniProt，大规模发现新型 AMP 候选物。

用于交互式协作的共享 3D 画布

蛋白质的 3D 结构有助于我们理解其生物学功能。在空间中检查候选物的预测折叠方式至关重要。为了在单一工作空间中提供这种端到端工作流程，我们推出了Biomolecular Structure Viewer，这是一个直接嵌入 Antigravity 的 3D 可视化工具。

研究人员和智能体在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检索结构时，它可以动态驱动查看器。例如，它可以高亮关键功能区域，以可视化方式解释其假设。至关重要的是，这种感知是双向流动的：高亮特定残基或将注释直接固定到结合口袋等操作会同步回智能体。研究人员只需在 3D 空间中标记感兴趣的区域，然后提问，例如“这条 β-链可能如何影响 Lipid II 结合？”，智能体便能立即基于科学家正在查看的确切结构上下文进行推理。

加速科学发现

从历史上看，要获得上述工作流程中展示的那类洞见，需要碎片化的专业软件：编写自定义脚本查询数据库、手动将文件导出到 3D 建模程序、管理互不连通的基因组学工具，并与多位专家合作设计湿实验测定。由于湿实验验证仍然资源密集，预先将搜索空间缩小到仅保留最高置信度的先导化合物至关重要。使用 Google Antigravity 使研究人员能够高效地探索广阔的生物学搜索空间，同时利用领域专用模型提供的准确蛋白质功能预测。

Google Antigravity 将这一端到端的科学推理集中在一处执行。这让科学家能够花更多时间评估高质量假设、在实验室中运行实验并解决研究难题。

致谢

我们要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