利用Google Antigravity加速抗菌肽的搜寻
内容提要
谷歌推出Antigravity智能科研平台，结合ProtNLM模型，可从氨基酸序列预测蛋白质功能，帮助生物学家快速筛选数百万未表征蛋白。研究者借此发现一种具抗呼吸道病原体潜力的新型抗菌肽候选物，已进入湿实验验证阶段。该平台整合数据库查询、结构分析与文献推理，简化新抗生素研发流程。
延伸解读
从“暗物质”中挖掘抗菌肽
文章指出，UniProt等数据库中大量蛋白质功能未知，被称为“暗物质”。ProtNLM模型能直接从氨基酸序列预测功能，为这些未表征蛋白添加高置信度注释。这使研究人员能快速扫描数百万条序列，从中筛选出有潜力的抗菌肽候选物，从而加速新抗生素的发现。
Antigravity如何整合科研流程
传统抗菌肽发现需要跨多个数据库查询、手动导出结构、使用不同软件分析，流程碎片化。Antigravity将数据库查询、结构分析、文献推理和实验设计整合到一个智能工作台，研究者与AI代理多轮交互，代理负责跨库协调和计算，研究者专注策略决策，大幅压缩搜索时间。
候选肽的验证与局限
文章中的候选肽通过序列新颖性检查、AlphaFold结构比对和基因组邻域分析获得支持，预测作用于细菌细胞分裂，并可能对多种耐药病原体有效。但作者强调，这些均为计算预测，候选物仍需湿实验验证，目前正在进行中。因此，该发现尚不能视为已确认的抗生素。
结构查看器与双向交互
Antigravity内置的Biomolecular Structure Viewer允许研究者和AI代理共享3D视觉状态。代理可动态展示AlphaFold预测结构并高亮功能区域，研究者也能在3D空间标记残基或添加注释，这些操作会同步回代理，使其能基于具体结构上下文进行推理，提升假设验证效率。
Q&A
Google Antigravity是什么？它如何帮助抗菌肽的发现？
Google Antigravity是一个智能科研平台，提供代理式科学工作台，帮助生物学家快速发现、结构评估和优先排序有前景的靶点。它整合数据库查询、结构分析和文献推理，将原本分散在多个数据库的搜索压缩到单个会话中，并利用ProtNLM模型从氨基酸序列预测蛋白质功能，从而加速抗菌肽的发现。
ProtNLM模型是如何工作的？它能预测什么？
ProtNLM（蛋白质自然语言模型）是一个深度学习模型，经过训练可以直接读取氨基酸序列背后的进化“语法”，从而从原始蛋白质序列预测生物功能。它能为数百万未命名的UniProt条目提供高置信度的功能标签，注释范围包括蛋白质名称、功能评论、亚细胞定位、GO术语和关键词。
研究者利用Antigravity发现了什么新型抗菌肽候选物？
研究者发现了一种来自Lactococcin 972家族的新型细菌素候选物（UniProt ID: A0A0U0D591），长度为97个氨基酸，预测对呼吸道感染相关病原体具有活性。该候选物已进入湿实验验证阶段。
Antigravity平台如何验证候选抗菌肽的新颖性和结构？
平台通过多步骤验证：首先，代理查询数据库并过滤数百万条目，找到候选细菌素；然后，研究者引导代理通过EMBL-EBI NCBI-BLAST服务在Swiss-Prot中比对，确认该肽在人工审核的蛋白质中没有显著序列同源物；接着，代理从AlphaFold蛋白质结构数据库检索候选物的3D模型，与实验确定的结构进行比对，识别远缘同源物并叠加模型评估相似性，结构证据支持ProtNLM的预测。
Antigravity中的Biomolecular Structure Viewer有什么作用？
Biomolecular Structure Viewer是嵌入Antigravity的3D可视化工具，为研究者和代理提供共享的3D画布。代理可以从AlphaFold数据库或研究者自己的预测中检索结构，并动态驱动查看器，例如高亮关键功能区域以解释假设。研究者也可以在3D空间中标记感兴趣的区域并提问，代理会立即基于确切的结构上下文进行推理。
使用Google Antigravity进行抗菌肽发现相比传统方法有哪些优势？
传统方法需要编写自定义脚本查询数据库、手动导出文件到3D建模程序、管理不连贯的基因组工具，并需要多位专家设计湿实验，过程碎片化且劳动密集。Antigravity将端到端的科学推理整合到一个平台中，使研究者能高效导航庞大的生物搜索空间，利用准确的蛋白质功能预测，将数天的碎片化数据库筛选转变为一次协作会话，让科学家有更多时间评估高质量假设和进行实验。
