تصور کنید میلیاردها توالی اسید آمینه در پایگاه‌های داده وجود دارد که شناسایی دستی آن‌ها برای انسان غیرممکن است. حالا یک عامل هوش مصنوعی می‌تواند این اقیانوس داده را برای یافتن سلاح‌های جدید علیه باکتری‌های مقاوم به دارو جست‌وجو کند.
به نقل از گزارش فنی منتشر شده در ۱۵ اکتبر ۲۰۲۶، گوگل دیپ‌مایند (Google DeepMind) از پلتفرم توسعه‌ی عامل‌محور (Agentic) خود به نام Antigravity برای شناسایی یک پپتید ضدمیکروبی جدید در باکتری Streptococcus pseudopneumoniae استفاده کرده است. این گزارش فنی که جزئیات نحوه پیمایش میلیاردها توالی اسید آمینه توسط زیست‌شناسان برای یافتن یک سرنخ بیولوژیکی پذیرفتنی را شرح می‌دهد، توسط Pengfei Tian، Maxwell L Bileschi، Zoi Tsangalidou، Sukhdeep Singh و Lucy J. Colwell نوشته شده است.
این کشف در حالی رخ می‌دهد که مقاومت میکروبی تهدیدی جدی است و پیش‌بینی می‌شود تا سال ۲۰۵۰ سالانه ۱۰ میلیون مرگ در جهان ایجاد کند. در حالی که آنتی‌بیوتیک‌های سنتی با شکست‌های فزاینده‌ای روبرو هستند، باکتریوسین‌ها — پپتیدهایی که نقاط ضعف بنیادین باکتری‌ها، از پوشش سلولی گرفته تا ماشین‌آلات ضروری درون‌سلولی را هدف قرار می‌دهند — جایگزینی امیدوارکننده هستند. توالی‌یابی ژنومیک و متاژنومیک، پایگاه‌های داده جهانی را با میلیاردها توالی طبیعی اسید آمینه پر کرده است. این مخزن داده پیش از این منجر به تولید باکتریوسین‌های پرکاربردی مانند Nisin و همچنین کشفیات استخراج‌شده از ژنوم مانند Darobactin، Dynobactin و Lariocidin شده است.
پلتفرم Antigravity تلاش می‌کند فرآیند جست‌وجوی پراکنده در پایگاه‌های داده زیست‌شناختی را یکپارچه کند؛ مشابه همان‌گونه که گوگل پیش‌تر تجربه‌های تکه‌تکه کاربران را در حوزه‌های دیگر، مانند Universal Cart برای خرید، یکپارچه کرد. میلیون‌ها توالی در پایگاه داده UniProt هنوز بدون برچسب عملکردی هستند و این شکاف عظیم داده‌ای، دقیقاً همان جایی است که هوش مصنوعی عامل‌محور اکنون برای پر کردن آن مستقر شده است.
خط لوله کشف
این فرآیند بر پایه ProtNLM (Protein Natural Language Model) استوار است؛ یک مدل یادگیری عمیق که برای پیش‌بینی عملکردهای بیولوژیکی مستقیماً از روی توالی‌های خام اسید آمینه آموزش دیده است. این سیستم با غنی‌سازی میلیون‌ها ورودی بدون نام در UniProt با برچسب‌های عملکردی با اطمینان بالا، جست‌وجو را به یک پپتید خاص ۹۷ اسید آمینه‌ای از خانواده Lactococcin 972 (با شناسه UniProt A0A0U0D591) محدود کرد. در یادداشت‌های این پروژه ذکر شده است که این کاندیدا دارای فعالیت پیش‌بینی‌شده علیه پاتوژن‌های دخیل در عفونت‌های مجاری تنفسی است.
برای اعتبارسنجی این کاندیدا، پژوهشگر و یک عامل هوشمند قدرت گرفته از Gemini 3.8 Flash یک تاییدیه محاسباتی چندمرحله‌ای را اجرا کردند. در این جلسه تعاملی و چند-دوری (multi-turn)، پژوهشگر استراتژی علمی را هدایت کرد، در حالی که عامل هوشمند مدیریت هماهنگی بین پایگاه‌های داده، تحلیل ساختاری و سنتز ادبیات علمی را بر عهده گرفت:
- بررسی نوآوری: عامل از سرویس EMBL-EBI NCBI-BLAST استفاده کرد تا کاندیدا را در برابر پروتئین‌های منتخب Swiss-Prot مورد پرس‌وجو قرار دهد و تایید کند که هیچ همتای توالی معناداری در میان پروتئین‌های بررسی‌شده به صورت دستی وجود ندارد.
- تحلیل ساختاری: عامل یک مدل سه‌بعدی را از پایگاه داده ساختار پروتئین AlphaFold بازیابی کرد و از Foldseek برای جست‌وجو در میان ساختارهای تعیین‌شده به صورت تجربی استفاده نمود. با روی‌هم‌گذاری مدل‌ها، عامل نشان داد که تاخوردگی (fold) کاندیدا به طور نزدیکی با یک باکتریوسین تعیین‌شده تجربی مطابقت دارد.
- بستر ژنومیک: عامل شناسایی کرد که کاندیدا در ۶ جفت‌باز بالاتر از یک اپرون متصل قرار دارد. این اپرون شامل یک پرمی‌آز ناقل ABC، یک پروتئین متصل‌شونده به ATP (شریک احتمالی)، یک باکتریوسین دیگر که قبلاً شناسایی شده بود و یک تنظیم‌کننده رونویسی XRE است.
سازوکار و پروتکل
عامل هوشمند پس از بررسی متون علمی موجود، سازوکار عمل خاصی را پیشنهاد داد که تقسیم سلولی باکتری را هدف قرار می‌دهد. همچنین، این عامل یک طیف اثرگذاری (potency spectrum) را پیش‌بینی کرد که چندین پاتوژن مقاوم به دارو را در بر می‌گیرد.
برای انتقال از تئوری به عمل، عامل یافته‌های محاسباتی (in silico) خود را به یک پروتکل جامع آزمایشگاهی تبدیل کرد. این پروتکل چهار مرحله حیاتی را پوشش می‌دهد:
- بیان پروتئین (Protein expression)
- آزمون حساسیت ضدمیکروبی (Antimicrobial susceptibility testing)
- بررسی درگیری هدف (Target engagement)
- آزمون سمیت در محیط آزمایشگاهی (In vitro toxicity testing)
بصری‌سازی یکپارچه و دسترسی
دیپ‌مایند همچنین ابزار Biomolecular Structure Viewer را معرفی کرد که یک نمایشگر سه‌بعدی داخلی در Antigravity است. این ابزار به پژوهشگر و عامل اجازه می‌دهد یک وضعیت بصری مشترک داشته باشند. همان‌طور که عامل ساختارها را از پایگاه داده AlphaFold یا پیش‌بینی‌های خود دانشمند بازیابی می‌کند، می‌تواند به طور پویا نمایشگر را هدایت کند تا مناطق کلیدی عملکردی را برجسته نماید.
این آگاهی دوطرفه است. اقداماتی مانند چسباندن یادداشت‌ها مستقیماً روی یک حفره اتصال (binding pocket) با عامل همگام‌سازی می‌شود. برای مثال، یک پژوهشگر می‌تواند ناحیه‌ای از علاقه را در فضای سه‌بعدی علامت‌گذاری کند و بپرسد که یک رشته $\beta$ چگونه ممکن است بر اتصال Lipid II اثر بگذارد، و این به عامل اجازه می‌دهد بر اساس دقیق‌ترین بستر ساختاری که دانشمند در حال مشاهده آن است، استدلال کند.
پلتفرم Antigravity دسترسی تک‌کلیکی به بیش از ۳۰ پایگاه داده علوم زیستی را از طریق پلاگین Science در بازار سفارشی‌سازی‌های داخلی فراهم می‌کند. این‌ها شامل AlphaGenome Atlas با حجم ۱ پتابایت، UniProt، PubChem و ChEMBL هستند. این پلتفرم به پژوهشگران اجازه می‌دهد اسکریپت‌های تحلیلی بازتولیدپذیر، مصنوعات علمی قابل تایید و رندرهای ساختاری سه‌بعدی PyMOL آماده برای انتشار تولید کنند. این سامانه روی macOS، ویندوز، لینوکس و گوگل‌بوک در دسترس است و مخزن سفارشی‌سازی‌های آن در گیت‌هاب به صورت متن‌باز قرار دارد.
برای تسریع در پذیرش، گوگل در حال ارائه دسترسی رایگان به Gemini 4 Argon در بالاترین سطح استفاده برای ۱۰,۰۰۰ دانشمند است.
این تغییر رویکرد، گذاری از زیست‌شناسی «جست‌وجو و بازیابی» به «هماهنگی عامل‌محور» است. با فشرده کردن گردش کار از پرس‌وجوی پایگاه داده تا تدوین پروتکل آزمایشگاهی در یک جلسه واحد، دیپ‌مایند زمان بین فرضیه و اعتبارسنجی در آزمایشگاه (wet-lab) را به شدت کاهش داده است.
در حوزه بیوانفورماتیک، این بدان معناست که گلوگاه اکنون از بازیابی داده‌ها به هدایت استراتژیک تغییر یافته است. توانایی عامل در ترکیب هم‌زمان متون علمی، داده‌های ساختاری و بستر ژنومیک، امکان بررسی میکروب‌های محیطی و پاتوژن‌های مقاوم به دارو را در مقیاسی فراهم می‌کند که پیش از این غیرممکن بود. پژوهشگران اکنون می‌توانند معیارهای فیلترینگ جدید را اضافه کنند یا طول‌های توالی مختلف را برای گسترش جست‌وجوی خود بررسی نمایند.
اینکه آیا این سرنخ محاسباتی به یک واقعیت بالینی تبدیل شود یا خیر، به مرحله فعلی اعتبارسنجی آزمایشگاهی بستگی دارد. کاندیدای معرفی‌شده در این گزارش، به همراه چندین مورد دیگر که از طریق همین خط لوله کشف شده‌اند، در حال حاضر تحت آزمایش هستند. آزمون نهایی این خواهد بود که آیا طیف اثرگذاری پیش‌بینی‌شده علیه پاتوژن‌های مقاوم به دارو در محیط in vitro تایید می‌شود یا خیر.
گام بعدی شما
- بررسی مخزن گیت‌هاب Antigravity برای درک نحوه تعریف ابزارهای سفارشی برای پایگاه‌های داده زیستی.
- مطالعه مستندات Gemini 4 Argon برای بهینه‌سازی پرامپت‌های مربوط به تحلیل‌های ساختاری پروتئین.
- دنبال کردن نتایج wet-lab کاندید A0A0U0D591 برای تایید کارایی مدل‌های زبانی پروتئین.
اما زیرساخت‌های سخت‌افزاری که این حجم از محاسبات را ممکن می‌کنند حتی پیچیده‌تر هستند — به تحلیل ما درباره‌ی تراشه‌های TPU نسل جدید مراجعه کنید.
گفتگو