Google DeepMind

Beschleunigung der Suche nach antimikrobiellen Peptiden mit Google Antigravity

Beschleunigung der Suche nach neuartigen antimikrobiellen Peptiden mit Google Antigravity for Science.

Bildquelle · Google DeepMind

Der Kandidat, den wir in diesem Durchlauf aufdecken, stellt einen biologisch plausiblen Leitkandidaten dar, der durch strukturelle und genomische Belege gestützt wird, jedoch noch einer Validierung im Nasslabor bedarf. Was das bedeutsam macht, ist, wie dramatisch es die Hürde für alltägliche biologische Arbeitsabläufe senkt und Tage fragmentierter Datenbank-Sichtung in eine einzige kollaborative Sitzung verwandelt. Während sich diese Sitzung auf ein schmales Aminosäurefenster in Streptococcus pseudopneumoniaekonzentrierte, können Forscher das Gespräch in jede Richtung lenken, etwa indem sie neue Filterkriterien hinzufügen, unterschiedliche Sequenzlängen erkunden oder andere prioritäre Krankheitserreger ins Visier nehmen. Indem man die Suche von menschlichen Kommensalen auf Umweltmikroben und darüber hinaus ausweitet, können Wissenschaftler den Agenten über UniProt führen, um neuartige AMP-Kandidaten im großen Maßstab zu entdecken.

Eine gemeinsame 3D-Leinwand für interaktive Zusammenarbeit

Die 3D-Struktur eines Proteins kann uns helfen, seine biologische Funktion zu verstehen. Die Untersuchung der vorhergesagten Faltung eines Kandidaten im Raum ist entscheidend. Um diesen End-to-End-Workflow in einem einzigen Arbeitsbereich bereitzustellen, führen wir den Biomolecular Structure Viewerein, ein 3D-Visualisierungstool, das direkt in Antigravity eingebettet ist.

Forscher und Agent arbeiten gemeinsam über einem geteilten visuellen Zustand. Wenn der Agent Strukturen aus der AlphaFold Database oder den eigenen Vorhersagen des Wissenschaftlers abruft, kann er den Viewer dynamisch steuern. So kann er beispielsweise Schlüsselregionen der Funktion hervorheben, um seine Hypothesen visuell zu erläutern. Entscheidend ist, dass dieses Bewusstsein in beide Richtungen fließt: Aktionen wie das Hervorheben bestimmter Reste oder das Anheften von Notizen direkt an eine Bindungstasche werden mit dem Agenten synchronisiert. Ein Forscher kann einfach eine Region von Interesse im 3D-Raum markieren und etwa fragen: "Wie könnte dieses β-Strang die Bindung an Lipid II beeinflussen?", wodurch der Agent sofort über den genauen strukturellen Kontext reasoning kann, den der Wissenschaftler gerade betrachtet.

Originalquelle

Google DeepMind

Hinweise zum Inhalt

Originalveröffentlichung und Rechte liegen bei der Quelle.

Maschinelle Übersetzung · Original beachten