Ferramentas

DeepMind usa agentes do Google Antigravity para acelerar busca de novos antibióticos

Plataforma de agentes integra modelo ProtNLM e visualizador 3D para identificar peptídeo antimicrobiano contra infecções respiratórias.

Capa ilustrativa da editoria Ferramentas

Por que importa. Mostra a evolução de plataformas de agentes para fluxos científicos complexos, combinando modelos de linguagem especializados e análise estrutural em um único ambiente.

O Google DeepMind apresentou nesta quinta-feira (15) a aplicação do Google Antigravity, sua plataforma de desenvolvimento baseada em agentes, na busca por novos peptídeos antimicrobianos. No teste técnico divulgado pelo laboratório, pesquisadores utilizaram o ambiente de trabalho orientado por agentes para identificar e priorizar computacionalmente um novo candidato a antibiótico com atividade prevista contra patógenos de infecções respiratórias. O composto selecionado foi encaminhado para validação física em bancada (wet lab).

A aplicação prática visa enfrentar o avanço da resistência antimicrobiana, cenário que pode provocar 10 milhões de mortes anuais no mundo até 2050, segundo estimativas citadas pela empresa. Peptídeos antimicrobianos, especialmente bacterocinas, representam uma alternativa aos antibióticos tradicionais por explorarem vulnerabilidades estruturais desenvolvidas por bactérias ao longo da evolução. Segundo a publicação, a abordagem computacional do Antigravity condensa em uma única sessão interativa tarefas que antes exigiam múltiplos scripts manuais, softwares isolados de modelagem e consultas fragmentadas em diferentes bases de dados biológicos.

O fluxo de trabalho foi conduzido em torno do patógeno Streptococcus pseudopneumoniae. Durante a sessão, o pesquisador define as hipóteses, critérios de filtragem e direcionamento biológico, enquanto os agentes do sistema automatizam a orquestração de buscas estruturais, cruzamento de literatura e triagem de sequências genéticas.

Varredura com o modelo ProtNLM

Um dos pilares técnicos do processo é o ProtNLM (Protein Natural Language Model), modelo de aprendizado profundo desenvolvido pelo Google para interpretar a gramática evolutiva de sequências de aminoácidos. A ferramenta prevê a função biológica de proteínas diretamente a partir de dados brutos de sequenciamento genômico, atribuindo rótulos funcionais a entradas até então não catalogadas.

O DeepMind explica que bancos de dados globais contêm bilhões de sequências naturais de aminoácidos, mas grande parte permanece como matéria escura proteica sem função definida. É o caso do UniProt, repositório público que abriga milhões de sequências obtidas de projetos de sequenciamento que não possuem similaridade com proteínas já estudadas. O modelo auxilia na identificação de sequências ativas nesse acervo sem a necessidade de intervenção humana em cada amostra não revisada.

A plataforma permite expandir o escopo da triagem para além de bactérias comensais humanas, cobrindo microrganismos ambientais e outros patógenos prioritários. De acordo com o relatório técnico, os cientistas podem alterar parâmetros de comprimento de cadeia ou restrições físico-químicas em linguagem natural para que o agente recalibre a seleção em tempo real.

Visualização 3D sincronizada com o agente

Junto ao fluxo de pesquisa, a divisão introduziu o Biomolecular Structure Viewer, uma ferramenta de visualização tridimensional embutida diretamente no Google Antigravity. O recurso conecta a interface do agente ao banco de dados AlphaFold Database e a predições de dobras geradas pelos próprios cientistas em uma tela compartilhada.

A visualização opera de forma bidirecional. O agente pode carregar a estrutura prevista de uma candidata e destacar regiões funcionais específicas para sustentar suas hipóteses. Da mesma forma, anotações feitas manualmente pelo pesquisador no modelo espacial, como a seleção de resíduos ou bolsões de ligação, são sincronizadas de volta para a memória do agente, permitindo formular perguntas diretas sobre o impacto daquela conformação na ligação com alvos bacterianos.

O DeepMind não detalhou condições de acesso, eventuais custos de infraestrutura ou prazos para a liberação geral da bancada científica do Antigravity a equipes externas de pesquisa. A divisão também ressaltou que, embora o candidato identificado contra o Streptococcus pseudopneumoniae tenha respaldo computacional, a confirmação de sua eficácia clínica depende integralmente dos ensaios biológicos em andamento.

Fontes

  • Google DeepMind: Accelerating the search for antimicrobial peptides with Google Antigravity

Reportagem produzida pela redação do Flipters com apoio de inteligência artificial, a partir das fontes acima. Como trabalhamos. Editor responsável: João Paulo Resende.

WhatsAppLinkedInX
Voltar para a edição

Mais em Ferramentas

Ver todas

Quem constrói lê

Receba o Flipters no seu e-mail. A newsletter de IA para quem está tirando produto do papel.