Die Suche nach neuen Antibiotika ist angesichts zunehmender antimikrobieller Resistenzen ein wichtiges Forschungsfeld. Google DeepMind zeigt, wie Forschende mit der agentischen Entwicklungsplattform Google Antigravity Proteinsequenzen durchsuchen, Kandidaten strukturell bewerten und ihre Auswahl priorisieren können. Die Plattform bündelt dabei laut Google DeepMind Schritte, die zuvor über mehrere Datenbanken verteilt waren, in einer gemeinsamen Arbeitssitzung.
Für die Suche kommt ProtNLM zum Einsatz. Das Modell leitet mögliche biologische Funktionen aus Aminosäuresequenzen ab und kann so bislang nicht charakterisierte Einträge in der Proteindatenbank UniProt annotieren. Der beschriebene Ablauf setzt bei Millionen solcher Sequenzen an und grenzt sie anhand eines Forschungsziels ein: Gesucht wurden neue antimikrobielle Peptide in Streptococcus pseudopneumoniae.
Dabei identifizierte das Team ein Bakteriozin mit der UniProt-ID A0A0U0D591. Das Peptid ist 97 Aminosäuren lang und gehört zur Lactococcin-972-Familie. Für die Prüfung der Neuheit wurde die Sequenz mit kuratierten Einträgen in Swiss-Prot verglichen. Über den EMBL-EBI-NCBI-BLAST-Dienst fand sich laut der beschriebenen Analyse kein bedeutender Sequenzhomolog unter den manuell geprüften Proteinen.
Zusätzlich ließ das Team ein 3D-Modell aus der AlphaFold Protein Structure Database mit experimentell bestimmten Strukturen vergleichen. Die Struktur ähnelte der eines bekannten Bakteriozins und stützte damit die Funktionsvorhersage von ProtNLM. Google DeepMind ordnet dem Kandidaten vorhergesagte Aktivität gegen Erreger zu, die an Atemwegsinfektionen beteiligt sind. Ob sich diese rechnerischen Hinweise im Experiment bestätigen, wird derzeit durch eine Laborvalidierung untersucht.