Ускоряване на търсенето на антимикробни пептиди с Google Antigravity
Pengfei Tian, Maxwell L Bileschi, Zoi Tsangalidou, Sukhdeep Singh and Lucy. J. Colwell
Необходими са спешно нови антибиотици, за да се справим с нарастващите нива на антимикробна резистентност, но търсенето на нови терапевтични средства често е бавен и трудоемък процес. С Google Antigravity, нашата агентна платформа за разработка, този процес вече може да бъде улеснен.
Google Antigravity предоставя агентна научна работна среда, която дава възможност на биолозите бързо да откриват, оценяват структурно и приоритизират обещаващи цели, като съкращава процес, който преди това представляваше фрагментирано търсене в множество бази данни, до една-единствена сесия. Тя също така помага на изследователите да преглеждат милиони недобре охарактеризирани преди това протеини в базата данни UniProt чрез ProtNLM — модел, който предсказва биологичната функция по аминокиселинни последователности.
Това техническо ръководство показва как биолози са използвали Google Antigravity, за да открият нов кандидат за антимикробен пептид, за който е предсказана активност срещу патогените, причиняващи инфекции на дихателните пътища. Водещият кандидат, идентифициран тук, в момента преминава лабораторна валидация.
Откриване на нови антимикробни пептиди
Нарастващата антимикробна резистентност е една от най-неотложните глобални здравни кризи на нашето време и може да доведе до приблизително 10 милиона смъртни случая годишно в световен мащаб до 2050 г. За да предотвратим това, спешно трябва да открием нови терапевтични средства. Антимикробните пептиди (AMP), особено бактериоцините, предлагат обещаваща алтернатива на традиционните антибиотици, тъй като са еволюирали естествено, за да атакуват основни уязвимости на конкуриращи се бактерии — от клетъчните обвивки до жизненоважния вътреклетъчен апарат, което затруднява развитието на резистентност от страна на патогените.
Експоненциалният ръст на геномното и метагеномното секвениране напълни глобалните бази данни с милиарди естествени аминокиселинни последователности. Този набор от естествени данни вече е довел до широко използвани в световен мащаб бактериоцини като Nisin, наред с неотдавнашни пробиви, открити чрез геномно търсене, като Darobactin, Dynobactin и Lariocidin.
Много от тях обаче остават скрити в неанотираното „тъмно пространство“ на протеиновите бази данни, като функцията им не е охарактеризирана, тъй като не са подобни на известни протеини. Например водещият публичен ресурс в света за информация за протеинови последователности и функции, UniProt, съдържа милиони последователности с неизвестна функция, прехвърлени директно от проекти за геномно секвениране.
За да преодолее тази празнина, Google разработи ProtNLM (Protein Natural Language Model) — модел за дълбоко обучение, обучен директно да разчита заложената еволюционна „граматика“ на аминокиселинните последователности. Това позволява на модела да предсказва биологичната функция директно от сурови протеинови последователности, обогатявайки милиони досега неназовани записи в UniProt с функционални етикети с висока степен на увереност.
Преглед на конвейера ProtNLM, който преобразува сурови аминокиселинни последователности в биологични анотации на естествен език за непроверени записи в UniProtKB/TrEMBL. Обхватът на функционалната анотация на системата включва имена на протеини, коментари за функцията, субклетъчни локализации и GO термини, в допълнение към ключови думи.
Съвместен интелект
Научното откритие рядко е процес от една-единствена стъпка; намирането на жизнеспособни протеинови кандидати изисква човешка интуиция и итерации за включване на нови емпирични доказателства. Работейки в Antigravity, изследователят и AI агентът започват с поставянето на конкретна биологична цел: да открият и изчислително валидират нови AMP в Streptococcus pseudopneumoniae. По време на интерактивна многоходова сесия изследователят насочва научната стратегия, като решава какви въпроси да зададе и какви доказателства да събере, докато агентът поема тежката работа по координацията между базите данни, структурния анализ и синтеза на научната литература.
Навигиране в огромно пространство за търсене:
Агентът прави заявки към базата данни и филтрира милиони записи до шепа кандидати, заслужаващи внимание. Тук агентът открива бактериоцин (ID в Uniprot: A0A0U0D591) с дължина 97 аминокиселини от семейството Lactococcin 972.
Валидиране на новостта на откритието:
За да потвърди новостта на това откритие, изследователят насочва агента да провери кандидата спрямо подбраното знание в Swiss-Prot чрез услугата EMBL-EBI NCBI-BLAST и да потвърди, че този пептид няма значим хомолог по последователност сред ръчно проверените протеини.
Разсъждаване върху триизмерната структура на протеина:
Изследователят насочва анализа към структурни доказателства. Агентът извлича 3D модела на кандидата от базата данни за протеинови структури AlphaFold, сравнява го с експериментално определени структури, за да идентифицира отдалечени хомолози, и наслагва моделите, за да оцени сходството. Тук структурните доказателства потвърждават предсказанието на ProtNLM, като показват, че нагъването на кандидата до голяма степен съвпада с експериментално определен бактериоцин. Преглеждащият структурите инструмент в Antigravity позволява този структурен анализ да бъде извършен безпроблемно на едно място.
Разчитане на биологичния контекст около даден ген:
Агентът разглежда не само самата молекула, а и геномното ѝ обкръжение, като преценява дали съседният механизъм подкрепя хипотезата за AMP. При проверката на фланкиращите гени той открива показателен модел: нашият неохарактеризиран преди това кандидат се намира нагоре по веригата от тясно свързан оперон, само на 6 базови двойки пред permease на ABC транспортер и потенциалния му партньор — ATP-свързващ протеин, наред с друг анотиран бактериоцин и XRE транскрипционен регулатор. Това предоставя силни контекстуални доказателства, че той е част от функционираща бактериоцинова система.
Изграждане на механистична хипотеза въз основа на литературата:
Като преглежда съществуващата литература, агентът предлага как може да действа молекулата и върху кои патогени би могла да въздейства. В този случай наличните доказателства предполагат механизъм на действие, насочен към клетъчното делене на бактериите, както и предсказан спектър на активност, обхващащ няколко лекарствено резистентни патогена.
Генериране на експериментален план:
Накрая агентът превръща резултатите от изчислителния анализ в приложим лабораторен протокол, обхващащ експресия на протеина, тестване на антимикробната чувствителност, ангажиране на целта и in vitro тестване за токсичност, като свързва изчислителното предсказание с лабораторния експеримент. Тази стъпка вече е в ход: този кандидат — заедно с няколко други, открити чрез същия конвейер — в момента преминава лабораторна валидация, при която експерименталните резултати ще бъдат окончателният тест за анализа на агента.
Кандидатът, който откриваме в това ръководство, представлява биологично правдоподобен водещ кандидат, подкрепен от структурни и геномни доказателства, но все още изисква лабораторна валидация. Значението на това е, че то драстично снижава бариерата пред ежедневните биологични работни процеси, превръщайки дни на фрагментирано пресяване на бази данни в една-единствена съвместна сесия. Макар тази сесия да се фокусира върху тесен диапазон от аминокиселини в Streptococcus pseudopneumoniae, изследователите могат да насочат разговора във всяка посока — например да добавят нови критерии за филтриране, да изследват различни дължини на последователностите или да се насочат към други приоритетни патогени. Чрез разширяване на търсенето от човешки коменсали към микроорганизми от околната среда и отвъд тях учените могат да насочват агента в UniProt, за да откриват нови AMP кандидати в голям мащаб.
Споделено 3D платно за интерактивно сътрудничество
Триизмерната структура на протеина може да ни помогне да разберем биологичната му функция. Изследването на предсказаното нагъване на кандидата в пространството е от ключово значение. За да предоставим този цялостен работен процес в една работна среда, представяме Biomolecular Structure Viewer — инструмент за 3D визуализация, вграден директно в Antigravity.
Изследователят и агентът работят заедно върху споделено визуално състояние. Когато агентът извлича структури от AlphaFold Database или от собствените предсказания на учения, той може динамично да управлява визуализатора. Например може да откроява ключови функционални области, за да обяснява визуално своите хипотези. От решаващо значение е, че тази осведоменост действа и в двете посоки: действия като открояване на конкретни остатъци или закрепване на бележки директно върху свързващ джоб се синхронизират обратно с агента. Изследователят може просто да маркира представляваща интерес област в 3D пространството и да попита например „Как тази β-спирала би могла да повлияе на свързването с Lipid II?“, което позволява на агента незабавно да разсъждава върху точния структурен контекст, който ученият наблюдава.
Biomolecular Structure Viewer в Antigravity показва предсказаната от AlphaFold структура на кандидата за бактериоцин, предоставяйки на изследователя и агента споделено 3D платно за изследване и анотиране на функционални области.
Ускоряване на научните открития
В миналото откриването на подобни на демонстрираните по-горе резултати изискваше фрагментиран и специализиран софтуер: писане на персонализирани скриптове за заявки към бази данни, ръчно експортиране на файлове към програми за 3D моделиране, управление на несвързани геномни инструменти и работа с множество експерти за проектиране на лабораторни анализи. Тъй като лабораторната валидация остава ресурсоемка, от решаващо значение е предварително пространството за търсене да се ограничи само до водещите кандидати с най-висока степен на увереност. Използването на Google Antigravity позволява на изследователите ефективно да навигират в огромното биологично пространство за търсене, като същевременно се възползват от точни предсказания на протеиновата функция от модел, специализиран в конкретната област.
Google Antigravity извършва този цялостен процес на научно разсъждение на едно място. Това позволява на учените да отделят повече време за оценяване на висококачествени хипотези, провеждане на експерименти в лабораторията и решаване на изследователски предизвикателства.
Благодарности
Бихме искали да изразим признателност за приноса на следните членове на екипа: 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
Преведено автоматично от английски. Оригиналната статия е на връзката по-долу.