گوگل دیپ‌مایند جزئیات کشف یک پپتید ضدمیکروبی جدید را تشریح کرد
گوگل دیپ‌مایند در ۱۵ اکتبر ۲۰۲۶، یک گزارش فنی گام‌به‌گام منتشر کرد که نشان می‌دهد زیست‌شناسان چگونه با استفاده از گوگل آنتی‌گرویتی (Google Antigravity)، پلتفرم توسعه مبتنی بر عامل‌های هوش مصنوعی این شرکت، یک پپتید ضدمیکروبی جدید و بالقوه مؤثر را در باکتری Streptococcus pseudopneumoniae شناسایی کرده‌اند. به گفته این شرکت، ترکیب شناسایی‌شده اکنون در مرحله اعتبارسنجی از طریق آزمایش‌های عملی آزمایشگاهی قرار دارد.
این گزارش را پنگفی تیان، مکسول ال. بیلسکی، زویی تسانگالیدو، سوخدیپ سینگ و لوسی جی. کولول تهیه کرده‌اند. نویسندگان، پژوهش خود را در چارچوب نگرانی‌های فزاینده درباره مقاومت میکروبی در برابر داروها مطرح می‌کنند؛ مشکلی که طبق برآورد ذکرشده در گزارش، ممکن است تا سال ۲۰۵۰ سالانه جان ۱۰ میلیون نفر را در سراسر جهان بگیرد. در این گزارش، پپتیدهای ضدمیکروبی، به‌ویژه باکتریوسین‌ها، به‌عنوان جایگزین‌هایی امیدوارکننده برای آنتی‌بیوتیک‌های سنتی معرفی شده‌اند. این ترکیبات در روند تکامل طبیعی، توانایی هدف قرار دادن نقاط آسیب‌پذیر اساسی باکتری‌های رقیب را به دست آورده‌اند؛ نقاطی که از پوشش سلولی تا سازوکارهای حیاتی درون سلول را شامل می‌شوند. به نوشته پژوهشگران، توالی‌یابی ژنومی و متاژنومی باعث شده میلیاردها توالی طبیعی اسید آمینه در پایگاه‌های داده جهانی ثبت شود. بررسی این مجموعه عظیم، هم به شناسایی باکتریوسین‌های پرکاربردی مانند نیسین انجامیده و هم کشف ترکیباتی از جمله داروباکتین، دینوباکتین و لاریوسیدین را از طریق کاوش ژنوم امکان‌پذیر کرده است. بااین‌حال، عملکرد میلیون‌ها توالی ثبت‌شده در پایگاه داده UniProt همچنان ناشناخته است. گوگل برای کمک به رفع این مشکل، مدل ProtNLM یا «مدل زبان طبیعی پروتئین» را توسعه داده است؛ مدلی مبتنی بر یادگیری عمیق که برای پیش‌بینی مستقیم عملکرد زیستی پروتئین‌ها از روی توالی خام اسیدهای آمینه آموزش دیده است. دیپ‌مایند اعلام کرده که با استفاده از این مدل، برای میلیون‌ها رکورد UniProt که پیش‌تر فاقد نام‌گذاری عملکردی بودند، برچسب‌های عملکردی با اطمینان بالا ثبت کرده است.
از جست‌وجو در UniProt تا شناسایی یک ترکیب نامزد با روش‌های محاسباتی
در فرایندی که گزارش دیپ‌مایند تشریح می‌کند، پژوهشگر و عامل هوش مصنوعی کار خود را با یک هدف زیستی مشخص آغاز می‌کنند: یافتن پپتیدهای ضدمیکروبی جدید در باکتری Streptococcus pseudopneumoniae و اعتبارسنجی محاسباتی آن‌ها. در جریان یک جلسه تعاملی چندمرحله‌ای، پژوهشگر هدایت راهبرد علمی را بر عهده دارد و تعیین می‌کند چه پرسش‌هایی مطرح شوند و چه شواهدی گردآوری شود. در مقابل، عامل هوش مصنوعی وظایفی مانند هماهنگ‌سازی جست‌وجو و تحلیل میان پایگاه‌های داده مختلف، بررسی ساختارهای مولکولی و ترکیب یافته‌های منابع علمی را انجام می‌دهد. تصاویر رابط کاربری منتشرشده در گزارش نشان می‌دهند که این فرایند با انتخاب مدل Gemini 3.8 Flash در محیط آنتی‌گرویتی انجام شده است.
عامل هوش مصنوعی ابتدا پایگاه داده UniProt را جست‌وجو کرد و با پالایش میلیون‌ها رکورد، فهرست محدودی از ترکیبات نامزد را به دست آورد. در میان آن‌ها، یک باکتریوسین با شناسه A0A0U0D591 در UniProt شناسایی شد؛ پپتیدی متشکل از ۹۷ اسید آمینه که به خانواده لاکتوکوکسین ۹۷۲ تعلق دارد. طبق گزارش، پیش‌بینی‌ها نشان می‌دهند این ترکیب ممکن است علیه عوامل بیماری‌زای دخیل در عفونت‌های دستگاه تنفسی فعالیت داشته باشد. برای بررسی جدید بودن این پپتید، پژوهشگر از عامل خواست توالی آن را با پروتئین‌های تأییدشده پایگاه Swiss-Prot مقایسه کند. این بررسی با استفاده از سرویس NCBI-BLAST متعلق به EMBL-EBI انجام شد و بر اساس گزارش، هیچ توالی همولوگ معناداری در میان پروتئین‌هایی که به‌صورت دستی بازبینی شده بودند، یافت نشد.
در مرحله بعد، عامل هوش مصنوعی مدل سه‌بعدی پیش‌بینی‌شده این پپتید را از پایگاه داده ساختار پروتئین AlphaFold دریافت کرد. سپس با استفاده از Foldseek، ساختار آن را با ساختارهای تعیین‌شده به روش‌های تجربی مقایسه کرد تا پروتئین‌های دارای شباهت ساختاری، حتی با خویشاوندی دور، شناسایی شوند. عامل همچنین مدل‌های سه‌بعدی را روی یکدیگر منطبق کرد تا میزان شباهت آن‌ها را ارزیابی کند. به گفته دیپ‌مایند، شواهد ساختاری به‌دست‌آمده از پیش‌بینی مدل ProtNLM پشتیبانی می‌کنند، زیرا الگوی تاخوردگی پپتید نامزد شباهت زیادی به ساختار یک باکتریوسین دارد که پیش‌تر به روش تجربی تعیین شده است. عامل هوش مصنوعی همچنین ژن‌های مجاور توالی موردنظر را بررسی کرد و دریافت که ژن این پپتید تنها ۶ جفت‌باز بالادست یک اپرون با ارتباط عملکردی نزدیک قرار دارد. این اپرون شامل یک پروتئین نفوذپذیرکننده ناقل ABC و پروتئین احتمالی همراه آن با قابلیت اتصال به ATP است. در همان ناحیه ژنومی، یک باکتریوسین دیگر که پیش‌تر شناسایی و حاشیه‌نویسی شده بود و یک تنظیم‌کننده رونویسی از نوع XRE نیز وجود داشت. گزارش دیپ‌مایند این آرایش ژنی را شاهدی زمینه‌ای و قوی می‌داند که نشان می‌دهد پپتید نامزد احتمالاً بخشی از یک سامانه باکتریوسینی فعال است.
بر اساس این گزارش، عامل هوش مصنوعی پس از بررسی پژوهش‌های علمی موجود، سازوکار احتمالی اثرگذاری پپتید را اختلال در تقسیم سلولی باکتری‌ها پیشنهاد کرد. همچنین پیش‌بینی کرد که دامنه اثر ضدمیکروبی آن ممکن است چندین عامل بیماری‌زای مقاوم به دارو را در بر بگیرد. عامل سپس یافته‌های محاسباتی خود را به یک دستورالعمل آزمایشگاهی تبدیل کرد که مراحل بیان پروتئین، سنجش حساسیت میکروبی به ترکیب، بررسی برهم‌کنش ترکیب با هدف زیستی و آزمایش سمیت در شرایط برون‌تنی را شامل می‌شود. دیپ‌مایند تأکید می‌کند که این پپتید در حال حاضر صرفاً یک ترکیب نامزد با توجیه‌پذیری زیستی است که شواهد ساختاری و ژنومی از آن پشتیبانی می‌کنند و برای تأیید عملکرد واقعی آن همچنان به آزمایش‌های عملی نیاز است.
نمایشگر ساختارهای زیست‌مولکولی در محیط آنتی‌گرویتی
دیپ‌مایند هم‌زمان با انتشار این گزارش، ابزار «نمایشگر ساختارهای زیست‌مولکولی» (Biomolecular Structure Viewer) را نیز معرفی کرد. این ابزار نمایش سه‌بعدی مستقیماً در محیط آنتی‌گرویتی تعبیه شده و به پژوهشگر و عامل هوش مصنوعی امکان می‌دهد ساختارهای مولکولی را در یک محیط بصری مشترک بررسی کنند. هنگامی که عامل، ساختارهای مولکولی را از پایگاه داده AlphaFold یا از میان ساختارهای پیش‌بینی‌شده توسط خود پژوهشگر دریافت می‌کند، می‌تواند نمایشگر را به‌صورت پویا کنترل کند و با برجسته‌سازی نواحی عملکردی مهم، فرضیه‌های خود را به شکل بصری توضیح دهد. این تعامل دوطرفه است؛ برای مثال، هنگامی که پژوهشگر اسیدهای آمینه مشخصی را برجسته می‌کند یا یادداشتی را مستقیماً روی یک جایگاه اتصال مولکولی قرار می‌دهد، این تغییرات به عامل هوش مصنوعی نیز منتقل می‌شوند. در نمونه‌ای که گزارش ارائه می‌کند، پژوهشگر می‌تواند ناحیه‌ای خاص را در فضای سه‌بعدی مشخص کند و بپرسد یک رشته بتا (β-strand) چگونه ممکن است بر اتصال به لیپید II تأثیر بگذارد. در چنین شرایطی، عامل می‌تواند دقیقاً بر اساس همان ساختاری که پژوهشگر مشاهده می‌کند، به تحلیل پرسش بپردازد.
پلتفرم علمی آنتی‌گرویتی و برنامه دسترسی پژوهشگران
بر اساس اطلاعات منتشرشده در صفحه علمی آنتی‌گرویتی، امکانات سفارشی‌سازی عامل‌های هوش مصنوعی به پژوهشگران اجازه می‌دهد این عامل‌ها را به افزونه‌ها، مهارت‌ها، زیرعامل‌ها و هوک‌های تخصصی مجهز کنند تا بتوانند با بیش از ۳۰ پایگاه داده مهم علوم زیستی کار کنند. از جمله این منابع می‌توان به 1PB AlphaGenome Atlas، پایگاه UniProt، پایگاه PubChem و پایگاه ChEMBL اشاره کرد. افزونه Science نیز از طریق بازارچه Customizations درون برنامه، تنها با یک کلیک قابل نصب است. طبق توضیحات این صفحه، پژوهشگران می‌توانند مستقیماً از محیط کاری پژوهشی خود به مدل‌های پیشرفته و پایگاه‌های داده گوگل دیپ‌مایند، از جمله AlphaGenome، پایگاه داده AlphaFold و Atlas دسترسی داشته باشند و پرسش‌های خود را از آن‌ها مطرح کنند. این محیط همچنین امکان تولید تصاویر سه‌بعدی ساختارهای مولکولی با ابزار PyMOL در کیفیت مناسب انتشار علمی، اسکریپت‌های تحلیلی تکرارپذیر و خروجی‌های علمی قابل راستی‌آزمایی را فراهم می‌کند. در همین صفحه، به مخزن متن‌باز ابزارهای سفارشی‌سازی در GitHub اشاره شده و اعلام شده است که نسخه دسکتاپ این پلتفرم برای macOS، ویندوز، لینوکس و Googlebook در دسترس است. گوگل همچنین اعلام کرده که دسترسی رایگان به مدل Gemini 4 Argon را در بالاترین سطح مجاز استفاده از آنتی‌گرویتی برای ۱۰ هزار دانشمند فراهم می‌کند.
دیپ‌مایند، آنتی‌گرویتی را یک محیط کار علمی مبتنی بر عامل‌های هوش مصنوعی توصیف می‌کند که فرایند جست‌وجو و تحلیل اطلاعات را، که پیش‌تر به مراجعه پراکنده به چندین پایگاه داده نیاز داشت، در قالب یک جلسه واحد گرد هم می‌آورد. به گفته این شرکت، پژوهشگران می‌توانند گفت‌وگوی نمایش‌داده‌شده در گزارش را در مسیرهای تازه‌ای ادامه دهند؛ برای مثال، معیارهای پالایش جدیدی اضافه کنند، توالی‌هایی با طول‌های متفاوت را بررسی کنند یا عوامل بیماری‌زای مهم دیگری را هدف قرار دهند. به این ترتیب، دامنه جست‌وجو می‌تواند از میکروب‌های همزیست بدن انسان فراتر برود و میکروب‌های محیطی را نیز در بر بگیرد. پپتید معرفی‌شده در این گزارش، همراه با چند ترکیب نامزد دیگر که از طریق همین فرایند شناسایی شده‌اند، اکنون در مرحله اعتبارسنجی آزمایشگاهی قرار دارد. دیپ‌مایند تأکید کرده است که نتایج این آزمایش‌ها در نهایت معیار تعیین‌کننده‌ای برای سنجش درستی تحلیل‌های عامل هوش مصنوعی خواهند بود.