کشف پپتید ضدمیکروبی با هوش مصنوعی: پیشرفت DeepMind
گوگل دیپ‌مایند در ۱۵ اکتبر ۲۰۲۶ روند کاری پژوهشگرانی را منتشر کرد که با استفاده از Google Antigravity و ProtNLM، یک پپتید ضدمیکروبی احتمالی را در Streptococcus pseudopneumoniae به‌صورت محاسباتی برای بررسی بیشتر در اولویت قرار داده‌اند. دیپ‌مایند پیش‌بینی می‌کند این نامزد ممکن است علیه عوامل بیماری‌زایی که در عفونت‌های دستگاه تنفسی نقش دارند اثرگذار باشد و اعلام کرده است که اعتبارسنجی آزمایشگاهی آن در حال انجام است. این روند کاری یک سرنخ پژوهشی را توصیف می‌کند، نه یک نتیجه اندازه‌گیری‌شده درباره فعالیت ضدمیکروبی. گزارش گوگل دیپ‌مایند وضعیت و دامنه این پژوهش را توضیح می‌دهد.
چگونه Antigravity دامنه جست‌وجو را محدود کرد
ProtNLM عملکرد پروتئین‌ها را بر اساس توالی اسیدهای آمینه پیش‌بینی می‌کند. در این روند کاری، پژوهشگر پرسش زیستی را تعیین می‌کند و Antigravity انجام کار را میان پایگاه‌های داده پروتئینی، تحلیل توالی، مقایسه ساختارها، بررسی زمینه ژنومی و مرور منابع علمی هماهنگ می‌کند. UniProt نیز در صفحه راهنمای این مدل، پیش‌بینی عملکرد بر پایه توالی ProtNLM را توضیح داده است.
وب‌سایت Unite.AI این نامزد را با شناسه UniProt A0A0U0D591 معرفی می‌کند؛ پپتیدی ۹۷ اسیدآمینه‌ای که در خانواده Lactococcin 972 قرار دارد. این وب‌سایت همچنین گزارش می‌دهد که مقایسه توالی، هیچ همتای مشابه معناداری را در مجموعه بررسی‌شده پیدا نکرده است؛ تحلیل ساختاری نیز شباهتی را با یک باکتریوسین مشخص‌شده نشان داده و این نامزد در فاصله ۶ جفت‌بازی بالادست یک اپرون قرار دارد که ژن‌های مرتبط با ناقل‌ها و برخی حاشیه‌نویسی‌های دیگر برای آن پیش‌بینی شده‌اند. این موارد سرنخ‌های محاسباتی گزارش‌شده توسط Unite.AI هستند و اندازه‌گیری آزمایشگاهی فعالیت این نامزد به‌شمار نمی‌روند.
دیپ‌مایند همچنین از ابزار Biomolecular Structure Viewer رونمایی کرده است؛ ابزاری سه‌بعدی و یکپارچه که در آن یک عامل هوش مصنوعی می‌تواند بخش‌هایی از یک ساختار را برجسته کند و پژوهشگران نیز می‌توانند حاشیه‌نویسی‌های خود را به عامل بازگردانند. نمایش انگلیسی‌زبان، روند Antigravity را از غربالگری پروتئین تا تحلیل ساختاری و ژنومی و در نهایت تهیه یک برنامه پیشنهادی برای آزمایش‌های آزمایشگاهی دنبال می‌کند.
شواهد آزمایشگاهی در یک پژوهش دیگر چه شکلی است؟
یک پژوهش جداگانه درباره ProteoGPT که در ۳ اکتبر ۲۰۲۵ در Nature Microbiology منتشر شد، نامزدهای پپتیدی تولیدشده توسط همین سامانه را آزمایش کرد. در یک آزمون مقدماتی، ۱۸ مورد از ۲۰ پپتید تولیدشده از سری PT دست‌کم یکی از سویه‌های آزمایش‌شده را با حداقل غلظت مهاری (MIC) برابر یا کمتر از ۵۱۲ میکروگرم در میلی‌لیتر مهار کردند؛ ۱۲ مورد از ۲۰ پپتید نیز به MIC برابر یا کمتر از ۲۵۶ میکروگرم در میلی‌لیتر رسیدند. MIC غلظتی است که برای ارزیابی مهار رشد میکروبی در شرایط آزمایش به کار می‌رود. این اندازه‌گیری‌ها مربوط به پپتیدهای مطالعه ProteoGPT هستند، نه نامزد معرفی‌شده توسط دیپ‌مایند. مقاله پژوهش همچنین از آزمایش‌های برون‌تنی و آزمایش روی مدل عفونت عضله ران موش برای برخی پپتیدهای منتخب گزارش می‌دهد.
این مطالعه فقط فعالیت ضدمیکروبی را ارزیابی نکرد؛ آزمایش‌های گزارش‌شده شامل بررسی همولیز، سمیت سلولی در سلول‌های پستانداران، تجزیه توسط پروتئازهای سرم و مقاومت در برابر درمان‌های تکرارشونده باکتریایی نیز بود. هر یک از این آزمایش‌ها به پرسشی متفاوت پاسخ می‌دهد: آیا پپتید باکتری‌ها را مهار می‌کند، به سلول‌های دیگر آسیب می‌زند، تجزیه می‌شود یا در طول زمان با رشد باکتری‌های مقاوم مواجه می‌شود. نتیجه امیدوارکننده در یک آزمون، به‌تنهایی پاسخگوی هر چهار پرسش نیست.
چرا هیچ مانع واحدی تعیین‌کننده نیست
یک جمع‌بندی میان مطالعات مختلف نشان داده است که درباره اینکه سمیت، پایداری یا مقاومت همواره سخت‌ترین مانع در پژوهش درباره پپتیدهای ضدمیکروبی است، اجماعی وجود ندارد؛ بااین‌حال، سمیت و کمبود داده به‌طور مکرر به‌عنوان نگرانی مطرح می‌شوند. آزمایش‌های جداگانه ProteoGPT نیز چندین روش را نشان می‌دهند که پژوهشگران برای ارزیابی این چالش‌ها به کار می‌گیرند، اما هیچ‌یک را به‌عنوان مانعی که در همه موارد تعیین‌کننده باشد رتبه‌بندی نمی‌کنند. (روش‌های هوش مصنوعی برای پپتیدهای ضدمیکروبی؛ Nature Reviews Bioengineering)