A Google Antigravity új antimikrobiális peptidjelöltet talált

Milliónyi ismeretlen fehérje között keresnek

A Google DeepMind október 15-i közleménye szerint új antibiotikumokra sürgősen szükség van az antimikrobiális rezisztencia terjedése miatt. A vállalat úgy számol, hogy a jelenség 2050-re világszerte évente 10 millió halálesethez vezethet.

A kutatók az antimikrobiális peptidek, ezen belül a bakteriozinok felé fordultak. Ezek olyan természetes molekulák, amelyek a baktériumok alapvető működését, például a sejtburok vagy a sejten belüli létfontosságú folyamatok működését célozhatják. A Google DeepMind szerint emiatt a kórokozók számára nehezebb lehet rezisztenciát kialakítani velük szemben.

A genomikai és metagenomikai szekvenálásból már több milliárd természetes aminosavszekvencia került adatbázisokba. A UniProtban azonban milliónyi olyan fehérjeszekvencia található, amelynek funkcióját még nem jellemezték. Ezek közül sok nem hasonlít ismert fehérjékhez, ezért eddig a fehérjeadatbázisok úgynevezett sötét anyagához tartozott.

A ProtNLM funkciót jósol az aminosavsorrendből

A Google erre a keresésre használja a ProtNLM nevű mélytanulási modellt. A modell az aminosavszekvenciák evolúciós mintázatait vizsgálja, és közvetlenül a nyers szekvenciákból próbálja megjósolni a biológiai funkciót.

A ProtNLM többek között fehérjeneveket, funkcióleírásokat, sejten belüli elhelyezkedést, GO-fogalmakat és kulcsszavakat rendelhet a korábban név nélküli UniProt-bejegyzésekhez. A Google Antigravity ezeket az eredményeket más adatbázisokkal, szerkezeti vizsgálatokkal és szakirodalmi elemzéssel kapcsolja össze egyetlen munkamenetben.

A bemutatott munkafolyamat célja új antimikrobiális peptidek keresése és számítógépes ellenőrzése volt a Streptococcus pseudopneumoniae fajban. A rendszer több millió bejegyzést szűrt le, és egy 97 aminosavból álló, a Lactococcin 972 családhoz tartozó bakteriozint emelt ki. A jelölt UniProt-azonosítója A0A0U0D591.

Szekvencia, térszerkezet és génkörnyezet alapján vizsgálták

A kutató az Antigravity interaktív munkamenetében irányította, milyen bizonyítékokat gyűjtsön az ügynök. A jelölt újdonságát a Swiss-Prot ellenőrzött adataival, az EMBL-EBI NCBI-BLAST szolgáltatásán keresztül vizsgálták. A Google DeepMind szerint a peptidnek nem volt érdemi szekvenciahomológja a manuálisan ellenőrzött fehérjék között.

Ezután a rendszer az AlphaFold Protein Structure Database-ból kérte le a jelölt háromdimenziós modelljét, majd kísérletileg meghatározott szerkezetekkel vetette össze. A közlemény szerint a jelölt térszerkezete szorosan egyezett egy ismert bakteriozin szerkezetével, ami megerősítette a ProtNLM előrejelzését.

Az elemzés a génkörnyezetre is kiterjedt. A jelölt egy szorosan kapcsolódó operon előtt, mindössze 6 bázispárral egy ABC-transzporter permeázgénje előtt helyezkedett el. A környezetben megtalálható volt a lehetséges ATP-kötő fehérje, egy másik annotált bakteriozin és egy XRE transzkripciós szabályozó is. A Google DeepMind szerint ez erős genetikai bizonyíték arra, hogy a jelölt egy működő bakteriozinrendszer része lehet.

A szakirodalom alapján a rendszer olyan mechanizmust feltételezett, amely a baktériumok sejtosztódását célozza. A számítógépes előrejelzés több gyógyszerrezisztens kórokozóra kiterjedő hatásspektrumot is valószínűsített, ezt azonban a laboratóriumi vizsgálatoknak kell ellenőrizniük.

Közös 3D felületet kapott a kutató és az ügynök

A Google Antigravity része lett a Biomolecular Structure Viewer, egy beágyazott háromdimenziós megjelenítő. A kutató és az AI-ügynök ugyanazt a vizuális munkateret használhatja: a rendszer AlphaFold-szerkezeteket vagy a kutató saját előrejelzéseit jeleníti meg, és kiemelheti a feltételezett funkcionális régiókat.

A közlemény szerint a kapcsolat kétirányú. A kutató kiemelhet egy aminosavat vagy egy kötőhelyet, jegyzetet rögzíthet, majd kérdést tehet fel az adott szerkezeti környezetről. Az ügynök így ugyanazt a régiót elemzi, amelyet a tudós a 3D nézetben vizsgál.

A bemutatott jelölt és több, ugyanazzal a módszerrel azonosított további jelölt jelenleg nedves laboratóriumi validáláson vesz részt. A tervezett munkafolyamat a fehérje előállítását, antimikrobiális érzékenységi vizsgálatot, célpontkötődés elemzését és in vitro toxicitási tesztet foglal magában. A módszer jelentősége a Google DeepMind szerint az, hogy a több adatbázisra és különálló eszközre bontott keresést egyetlen együttműködő munkamenetbe sűríti, miközben a végső bizonyítékot továbbra is a laboratóriumi eredmények adják.