Google DeepMind urychluje pomocí Google Antigravity hledání antimikrobiálních peptidů proti rezistenci bakterií

Tým Google DeepMind představil 15. října 2026 nový postup, který má zrychlit vyhledávání antimikrobiálních peptidů pomocí platformy Google Antigravity. Na projektu pracovali Pengfei Tian, Maxwell L. Bileschi, Zoi Tsangalidou, Sukhdeep Singh a Lucy J. Colwell. Cílem je nabídnout rychlejší způsob, jak identifikovat látky schopné nahradit tradiční antibiotika v době, kdy antimikrobiální rezistence představuje rostoucí hrozbu pro veřejné zdraví.

Podle odhadů citovaných týmem by rostoucí odolnost bakterií vůči antibiotikům mohla do roku 2050 způsobovat až deset milionů úmrtí ročně. Vývoj nových účinných látek je přitom dlouhodobý a nákladný proces, který obvykle vyžaduje roky laboratorního testování předtím, než se podaří najít vhodného kandidáta. Antimikrobiální peptidy (AMPs) jsou přitom považovány za jednu z nadějných alternativ k běžným antibiotikům, protože dokážou cílit na bakterie jiným mechanismem a mohou tak obejít některé formy rezistence.

Výzkumníci při hledání vhodných kandidátů využili kombinaci několika nástrojů dostupných v rámci platformy Google Antigravity. Klíčovou roli sehrál model ProtNLM, který dokáže predikovat biologickou funkci proteinu přímo z jeho aminokyselinové sekvence. Tento přístup umožňuje rychleji odhadnout, zda daná molekula může mít vlastnosti využitelné v boji proti bakteriím, aniž by bylo nutné hned přistoupit k nákladnému experimentálnímu ověřování.

Tým dále pracoval s trojrozměrnými modely proteinových struktur z databáze AlphaFold Protein Structure Database, která poskytuje predikce prostorového uspořádání bílkovin. Díky tomu mohli vědci lépe posoudit, jak by se daný peptid mohl chovat a jakým způsobem by mohl interagovat s bakteriálními buňkami. Jako konkrétní příklad výzkumníci uvádějí bakteriocin s označením Uniprot ID A0A0U0D591, peptid o délce 97 aminokyselin, který byl identifikován jako potenciálně zajímavý kandidát pro další zkoumání.

Na základě analýzy pak tým vytvořil konkrétní experimentální plán, který má posloužit jako podklad pro ověření vybraného kandidáta v laboratorních podmínkách, tedy takzvané mokré laboratoři. Cílem je, aby se teoretické predikce daly co nejrychleji a nejefektivněji otestovat na reálných vzorcích a potvrdilo se, zda daný peptid skutečně vykazuje očekávané antimikrobiální vlastnosti.

Součástí oznámení je také nový nástroj pro vizualizaci biomolekulárních struktur, který byl integrován přímo do platformy Antigravity. Nástroj má výzkumníkům usnadnit práci s komplexními proteinovými modely a zpřehlednit interpretaci dat získaných z predikčních modelů, jako je ProtNLM, i z databází typu AlphaFold.

„Naše platforma může tento proces nyní usnadnit,“ uvedli zástupci týmu k celkovému přínosu kombinace uvedených nástrojů. Podle nich jde o ukázku toho, jak mohou moderní výpočetní metody zkrátit úvodní fáze výzkumu nových léčiv, které jsou tradičně časově i finančně náročné. Spojení predikce funkce proteinu, analýzy prostorové struktury a následného návrhu konkrétních laboratorních kroků má podle týmu potenciál zrychlit identifikaci slibných kandidátů ještě předtím, než se přistoupí k samotnému experimentálnímu testování.

Výzkum antimikrobiálních peptidů je dlouhodobě vnímán jako jedna z cest, jak čelit narůstající rezistenci bakterií vůči běžně používaným antibiotikům. Vzhledem k rozsahu problému, který podle odhadů může v příštích desetiletích výrazně zatížit zdravotnické systémy po celém světě, je zrychlení a zlevnění počátečních fází výzkumu považováno za důležitý krok. Použití nástrojů umělé inteligence a strojového učení, jako je tomu v případě platformy Google Antigravity, by podle autorů mohlo pomoci identifikovat větší počet potenciálních kandidátů v kratším čase, než umožňují tradiční metody.

Tým zdůraznil, že popsaný postup představuje pouze počáteční fázi výzkumu a že klíčové bude právě ověření vybraných kandidátů, včetně zmíněného bakteriocinu A0A0U0D591, v laboratorních podmínkách. Teprve výsledky experimentálního testování ukážou, zda predikce založené na výpočetních modelech odpovídají skutečným biologickým vlastnostem zkoumaných peptidů a zda mohou vést k vývoji nových látek použitelných v klinické praxi.