مقاومت ضدمیکروبی یکی از بزرگ‌ترین بحران‌های سلامت جهانی است و یافتن آنتی‌بیوتیک‌های جدید معمولاً فرآیندی کند و پرزحمت محسوب می‌شود. گوگل با پلتفرم عاملمحور آنتیگریویتی (Google Antigravity) این مسیر را متحول کرده و به زیستشناسان اجازه میدهد تا پپتیدهای ضدمیکروبی را در یک جلسه کاری کشف و ارزیابی کنند.
در یک راهنمای فنی تازه، گوگل نشان داده که چگونه محققان با آنتیگریویتی یک کاندید پپتید ضدمیکروبی جدید را شناسایی کردند که فعالیت پیش‌بینی‌شده‌ای علیه عوامل بیماری‌زای عفونت‌های دستگاه تنفسی دارد. این مولفه اکنون در مرحله اعتبارسنجی آزمایشگاهی مرطوب قرار دارد.
چرا به پپتیدهای ضدمیکروبی جدید نیاز داریم؟
مقاومت ضدمیکروبی رو به رشد می‌تواند تا سال ۲۰۵۰ سالانه ۱۰ میلیون مرگ در جهان ایجاد کند. برای جلوگیری از این بحران، کشف درمان‌های جدید ضروری است. پپتیدهای ضدمیکروبی (AMPs)، به‌ویژه باکتریوسین‌ها، جایگزین امیدوارکننده‌ای برای آنتی‌بیوتیک‌های سنتی هستند؛ زیرا به‌طور طبیعی برای هدف قرار دادن آسیب‌پذیری‌های اساسی باکتری‌های رقیب تکامل یافته‌اند.
رشد تصاعدی توالی‌یابی ژنومی و متاژنومی، پایگاه‌های داده جهانی را با میلیاردها توالی اسید آمینه طبیعی پر کرده است. این داده‌ها قبلاً باکتریوسین‌های پرکاربردی مانند نیزین (Nisin) و همچنین دستاوردهای اخیر مانند داروباکتین (Darobactin)، دینوباکتین (Dynobactin) و لاریوسیدین (Lariocidin) را تولید کرده‌اند.
با این حال، بسیاری از این توالی‌ها در «ماده تاریک» پایگاه‌های پروتئینی قفل مانده‌اند؛ زیرا عملکردشان به دلیل عدم شباهت به پروتئین‌های شناخته‌شده، مشخص نشده است. برای مثال، پایگاه یونی‌پروت (UniProt) میلیون‌ها توالی با عملکرد ناشناخته دارد که مستقیماً از پروژه‌های توالی‌یابی ژنوم منتقل شده‌اند.
نقش ProtNLM در رمزگشایی پروتئین‌های ناشناخته
برای پر کردن این شکاف، گوگل مدل ProtNLM (مدل زبان طبیعی پروتئین) را توسعه داده است. این مدل یادگیری عمیق، برای خواندن مستقیم دستور زبان تکاملی توالی‌های اسید آمینه آموزش دیده و می‌تواند عملکرد زیستی را مستقیماً از توالی خام پروتئین پیش‌بینی کند. این قابلیت، میلیون‌ها ورودی یونی‌پروت را با برچسب‌های عملکردی با اطمینان بالا غنی میکند.
در جلسه کاری آنتیگریویتی، محقق و عامل هوش مصنوعی با یک هدف زیستی مشخص شروع میکنند: یافتن و اعتبارسنجی محاسباتی پپتیدهای ضدمیکروبی جدید در استرپتوکوکوس سودوپنومونیه (Streptococcus pseudopneumoniae). در طول یک جلسه تعاملی چندمرحله‌ای، محقق استراتژی علمی را هدایت میکند و عامل هوش مصنوعی کارهای سنگین هماهنگی بین پایگاه‌های داده، تحلیل ساختاری و ترکیب ادبیات را انجام میدهد.
کاندید کشف‌شده در این راهنما، یک مولفه از نظر زیستی قابل قبول با پشتیبانی شواهد ساختاری و ژنومی است، اما همچنان به اعتبارسنجی آزمایشگاهی نیاز دارد. نکته مهم این است که این فرآیند، روزهای کار با پایگاه‌های داده پراکنده را به یک جلسه مشارکتی تبدیل میکند.
بوم سهبعدی مشترک برای همکاری تعاملی
ساختار سهبعدی پروتئین به درک عملکرد زیستی آن کمک میکند. برای ارائه این گردش کار سرتاسری در یک فضای کاری واحد، گوگل نمایشگر ساختار زیستی (Biomolecular Structure Viewer) را معرفی کرده است؛ ابزار تجسم سهبعدی که مستقیماً در آنتیگریویتی تعبیه شده است.
محقق و عامل هوش مصنوعی روی یک وضعیت بصری مشترک کار میکنند. وقتی عامل ساختارها را از پایگاه داده آلفافولد (AlphaFold Database) یا پیش‌بینی‌های خود محقق بازیابی میکند، می‌تواند به‌صورت پویا نمایشگر را هدایت کند. برای مثال، می‌تواند نواحی عملکردی کلیدی را برای توضیح بصری فرضیه‌هایش برجسته کند.
این آگاهی دوسویه است: اقداماتی مانند برجسته کردن باقی‌مانده‌های خاص یا چسباندن یادداشت روی جیب اتصال، به عامل همگام می‌شود. محقق می‌تواند ناحیه مورد نظر را در فضای سهبعدی علامتگذاری کند و بپرسد: «این رشته بتا چگونه بر اتصال لیپید II تأثیر می‌گذارد؟» و عامل بلافاصله در همان بافت ساختاری که دانشمند مشاهده میکند، استدلال میکند.
شتاب‌بخشی به کشف علمی
به‌طور سنتی، کشف بینش‌هایی مانند گردش کار فوق به نرم‌افزارهای تخصصی و پراکنده نیاز داشت: نوشتن اسکریپت‌های سفارشی برای جستجوی پایگاه‌های داده، صادرات دستی فایل‌ها به برنامه‌های مدل‌سازی سهبعدی، مدیریت ابزارهای ژنومیک ناهماهنگ و همکاری با چند متخصص برای طراحی آزمایش‌های آزمایشگاهی. از آنجا که اعتبارسنجی آزمایشگاهی مرطوب منابع فشرده است، محدود کردن فضای جستجو به باکیفیت‌ترین مولفه‌ها از ابتدا حیاتی است.
گوگل آنتیگریویتی این استدلال علمی سرتاسری را در یک مکان اجرا میکند. این امر به دانشمندان اجازه میدهد زمان بیشتری را صرف ارزیابی فرضیه‌های باکیفیت، اجرای آزمایش‌ها در آزمایشگاه و حل چالش‌های پژوهشی کنند. محققان می‌توانند گفتگو را در هر جهتی ادامه دهند؛ از افزودن معیارهای فیلتر جدید تا بررسی طول‌های توالی متفاوت یا هدف قرار دادن سایر عوامل بیماری‌زای اولویت‌دار.
با گسترش جستجو از میکروب‌های همزیست انسانی به میکروب‌های محیطی و فراتر از آن، دانشمندان می‌توانند عامل هوش مصنوعی را در سراسر یونی‌پروت هدایت کنند تا کاندیدهای پپتید ضدمیکروبی جدید را در مقیاس کشف کنند. این رویکرد، همان مسیری است که در مدل‌های زبانی بزرگ برای درک توالی‌ها استفاده می‌شود و اکنون به حوزه زیست‌شناسی مولکولی تعمیم یافته است.
پرسش‌های متداول
گوگل آنتیگریویتی چیست؟
پلتفرم توسعه عاملمحور گوگل است که به زیستشناسان امکان میدهد اهداف دارویی را سریع کشف، ارزیابی ساختاری و اولویتبندی کنند.
ProtNLM چگونه کار میکند؟
مدل زبانی عمیقی است که دستور زبان تکاملی توالی اسیدهای آمینه را می‌خواند و عملکرد زیستی را مستقیماً از توالی خام پیش‌بینی میکند.
نمایشگر ساختار زیستی چه کمکی میکند؟
ابزار سهبعدی تعاملی است که محقق و عامل هوش مصنوعی روی یک بوم مشترک، نواحی کلیدی پروتئین را بررسی و علامتگذاری میکنند.
منبع: Google DeepMind
