גוגל מציגה: סוכן AI ב-Antigravity עזר לאתר מועמד חדש לפפטיד נגד חיידקים

גוגל פרסמה הדגמה של Antigravity for Science, שימוש מדעי בפלטפורמת הפיתוח הסוכנית (agentic) שלה. בהדגמה, חוקרים עבדו לצד סוכן AI ואיתרו מועמד חדש לפפטיד אנטי-מיקרוביאלי, כלומר חלבון קצר שעשוי לפגוע בחיידקים. לפי גוגל, המודלים צופים שהמועמד יהיה פעיל נגד פתוגנים שקשורים לזיהומים בדרכי הנשימה, והוא נמצא כעת בבדיקות מעבדה ("wet-lab"). חשוב לדייק: זו תחזית חישובית. הפוסט לא מציג נתוני יעילות, ולכן עוד לא ברור כמה המציאה חשובה מבחינה מדעית.

הבעיה: עמידות לאנטיביוטיקה

הפוסט נכתב בידי פנגפיי טיאן, מקסוול בילסקי, זואי צנגלידו, סוקדיפ סינג ולוסי קולוול. הוא פותח בהערכה שלפיה עמידות לתרופות אנטי-מיקרוביאליות עלולה לגרום עד 2050 לכ-10 מיליון מקרי מוות בשנה ברחבי העולם. לדברי הכותבים, פפטידים אנטי-מיקרוביאליים (AMPs), ובמיוחד בקטריוצינים, הם חלופה מבטיחה לאנטיביוטיקה רגילה. בקטריוצינים הם חומרים שחיידקים מייצרים כדי לפגוע בחיידקים מתחרים. הם התפתחו באופן טבעי כדי לתקוף נקודות תורפה בסיסיות של חיידקים, ולכן קשה לפתוגנים לפתח נגדם עמידות.

מאגרי המידע הגנומיים כבר הניבו בקטריוצינים מוכרים כמו Nisin, וגם תגליות חדשות יותר כמו Darobactin, Dynobactin ו-Lariocidin. אבל רבים מהחלבונים במאגרים האלה עדיין בגדר "חומר אפל": אין להם תיאור תפקודי, כי הם לא דומים לשום חלבון מוכר. במאגר UniProt, המקור הציבורי המרכזי למידע על חלבונים, יש מיליוני רצפים כאלה.

איך זה עובד

כדי לסרוק את המאגר גוגל משתמשת ב-ProtNLM (Protein Natural Language Model), מודל למידה עמוקה שקורא רצפי חומצות אמינו ומתאר במילים את התפקוד הביולוגי הצפוי שלהם. התיאורים כוללים שמות חלבונים, תפקוד, מיקום בתא, מונחי GO (מערכת סיווג סטנדרטית לתפקודי חלבונים) ומילות מפתח.

בהדגמה, החוקר הגדיר לסוכן מטרה: למצוא פפטידים אנטי-מיקרוביאליים חדשים בחיידק Streptococcus pseudopneumoniae ולאמת אותם חישובית. לפי גוגל, החוקר הכתיב את האסטרטגיה המדעית, והסוכן עשה את העבודה השחורה: הצלבה בין מאגרים, ניתוח מבני וסיכום ספרות מדעית.

השלבים שתוארו:

• סינון: הסוכן צמצם מיליוני רשומות לקומץ מועמדים. אחד מהם הוא בקטריוצין באורך 97 חומצות אמינו ממשפחת Lactococcin 972 (מזהה UniProt: ‏A0A0U0D591).
• בדיקת חדשנות: בהכוונת החוקר, הסוכן השווה את הרצף למאגר Swiss-Prot, שבו החלבונים נבדקו ידנית, באמצעות שירות NCBI-BLAST של EMBL-EBI. לא נמצא לו רצף דומה משמעותי.
• ניתוח מבני: הסוכן שלף את המודל התלת-ממדי של החלבון מ-AlphaFold Protein Structure Database והשווה אותו למבנים שנקבעו בניסוי. לפי גוגל, צורת הקיפול שלו דומה מאוד לזו של בקטריוצין מוכר, וזה מחזק את התחזית של ProtNLM.

למה זה חשוב, ומה עוד חסר

החידוש המרכזי, ככל הנראה, הוא בתהליך העבודה ולא בתגלית עצמה. עבודה שבדרך כלל מפוזרת בין כמה מאגרים וכלים נפרדים מתרכזת כאן בשיחה אחת עם סוכן AI. אם זה יעבוד גם אצל חוקרים מחוץ לגוגל, זה עשוי לקצר את השלבים הראשונים של מחקר תרופות.

עם זאת, הפוסט הוא הדגמה טכנית ולא מאמר שעבר ביקורת עמיתים. הוא לא מספר כמה מועמדים נבדקו, מה שיעור ההצלחה של התחזיות, או כמה זמן נחסך בפועל. דמיון במבנה וחוסר דמיון ברצף מעידים שהמועמד חדש וייתכן שהוא בקטריוצין, אבל הם לא מוכיחים שהוא יעיל נגד חיידקים. התשובה לשאלה הזאת תגיע רק מבדיקות המעבדה, שגוגל לא פרסמה עדיין את תוצאותיהן.