Acelerando a descoberta de peptídeos antimicrobianos com Google Antigravity

Autoria: Google Antigravity · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Accelerating antimicrobial peptide discovery with Google Antigravity · Canal: Google Antigravity · 05:56 · Assistir no YouTube

Tópicos: Agentes de IA, Saúde e ciência

Resumo

Fei, pesquisadora da Google DeepMind, demonstra como usar Google Antigravity para identificar e analisar um possível peptídeo antimicrobiano em Streptococcus pneumoniae. O agente consulta o UniProt, prevê a função com Prot-ALM e avalia a novidade da sequência por meio de uma busca BLAST. Em seguida, analisa a estrutura prevista pelo AlphaFold, compara sua forma com estruturas conhecidas e examina o contexto genômico e possíveis mecanismos de ação. Por fim, gera um plano de experimentos de laboratório para validar a atividade e avaliar a segurança do candidato.

Pontos-chave

A busca no UniProt procura proteínas não caracterizadas de 90 a 100 aminoácidos em Streptococcus pneumoniae.
Prot-ALM prevê atividade antimicrobiana para um candidato da família de bacteriocinas Lactococcin 972.
A busca BLAST no Swiss-Prot não encontra homólogos conhecidos relevantes para a sequência candidata.
A estrutura prevista pelo AlphaFold tem pLDDT global de 88,5 e um domínio maduro rico em folhas beta.
A comparação estrutural com um peptídeo antimicrobiano conhecido mostra semelhança de dobra, apesar de baixa identidade de sequência.
Genes vizinhos sugerem um cluster biossintético associado à exportação do peptídeo e à expressão de bacteriocina.
O mecanismo proposto envolve a ligação ao precursor da parede celular lipid II e a inibição da síntese do septo.
O plano experimental inclui expressão recombinante, testes de suscetibilidade antimicrobiana e ensaios pré-clínicos de segurança.

Capítulos

Início	Capítulo	Resumo
00:00	Peptídeos antimicrobianos e descoberta com Antigravity	Fei apresenta a ameaça da resistência antimicrobiana e propõe usar Google Antigravity para descobrir e validar candidatos.
01:02	Busca de candidatos e avaliação da novidade	O agente pesquisa o proteoma de Streptococcus pneumoniae, identifica um candidato previsto como antimicrobiano e compara sua sequência com o Swiss-Prot.
02:06	Análise e comparação estrutural	A demonstração examina a previsão do AlphaFold e a semelhança de dobra com uma estrutura antimicrobiana conhecida.
03:45	Contexto genômico e mecanismo proposto	O agente analisa genes vizinhos e literatura para sugerir um sistema de expressão de bacteriocina e um possível mecanismo de ação.
05:22	Plano de validação experimental	O agente propõe experimentos de laboratório para expressão, testes antimicrobianos e avaliação pré-clínica de segurança.

Citações

Hoje vou mostrar como podemos usar Google Antigravity como nosso workbench de ciência agentic para acelerar esse processo de descoberta de proteínas. — 00:30

Isso confirma que nosso candidato não tem homólogos conhecidos e é uma sequência genuinamente nova. — 02:06

Embora suas sequências proteicas sejam muito diferentes, com apenas 27% de identidade, suas dobras tridimensionais são surpreendentemente semelhantes. — 03:14

O agente gerou um roteiro experimental de laboratório em várias etapas. — 05:22

Conceitos e entidades

Google Antigravity (ferramenta): Workbench de ciência agentic usado na demonstração para conduzir análises de descoberta de peptídeos.
Fei (pessoa): Pesquisadora da Google DeepMind que apresenta a demonstração.
Google DeepMind (empresa): Organização onde Fei trabalha como cientista de pesquisa.
UniProt (ferramenta): Banco de dados consultado para pesquisar proteínas do proteoma de Streptococcus pneumoniae.
Prot-ALM (modelo): Modelo de função de proteínas usado para prever atividade antimicrobiana.
BLAST (ferramenta): Método de busca usado para comparar a sequência candidata com proteínas conhecidas.
Swiss-Prot (ferramenta): Base de proteínas validadas experimentalmente usada para avaliar a novidade da sequência.
AlphaFold (modelo): Modelo cuja previsão estrutural é usada para analisar a estrutura tridimensional do peptídeo.
Protein Data Bank (ferramenta): Base consultada para encontrar estruturas proteicas semelhantes à previsão do candidato.
Lactococcin 972 (conceito): Família de bacteriocinas à qual Prot-ALM prevê que o candidato pertence.
lipid II (conceito): Precursor da parede celular que a família do peptídeo possivelmente reconhece como alvo.
pLDDT (conceito): Métrica de confiança global mencionada para a estrutura prevista pelo AlphaFold.
RMSD (conceito): Métrica usada para descrever o alinhamento estrutural entre a previsão e uma estrutura experimental.

Tradução completa (pt-BR)

00:00 Olá. Sou Fei, cientista de pesquisa na Google DeepMind, e trabalho para compreender a relação entre a sequência e a função das proteínas. A resistência antimicrobiana é uma das ameaças mais urgentes à saúde global atualmente e, segundo as projeções, poderá causar milhões de mortes por ano até 2050. Para proteger a saúde global, precisamos descobrir novas terapias que os patógenos não consigam contornar com facilidade. É aí que entram os peptídeos antimicrobianos. Como primeira linha de defesa da natureza, essas pequenas proteínas atacam a estrutura fundamental

00:30 das membranas dos patógenos. Isso dificulta a evolução da resistência antimicrobiana. Hoje, vou mostrar como podemos usar o Google Antigravity como nosso ambiente de trabalho para ciência com agents e acelerar esse processo de descoberta de proteínas. Nesta demonstração, vamos encontrar um possível peptídeo antimicrobiano, validar sua novidade, analisar sua estrutura 3D in silico e gerar um plano experimental completo de laboratório, tudo em um só ambiente de trabalho. Iniciei o Antigravity com as

01:02 skills de ciência instaladas. Vamos começar nossa exploração pesquisando no banco de dados UniProt. Pedimos ao agent que examine o proteoma de Streptococcus pneumoniae em busca de peptídeos curtos com comprimento entre 90 e 100 aminoácidos. Especificamente, queremos procurar proteínas não caracterizadas que, segundo as previsões do nosso modelo mais recente de função proteica, Prot-ALM, tenham atividade antimicrobiana. O agent identifica um candidato promissor

01:35 com previsão de atividade antimicrobiana. Nosso modelo prevê que essa sequência é uma bacteriocina da família Lactococcin 972, caracterizada por uma sequência-sinal N-terminal de 28 resíduos e um domínio de peptídeo maduro de 69 resíduos. Em seguida, precisamos confirmar que este é um candidato realmente novo. Vou pedir ao agent que faça uma busca BLAST no Swiss-Prot, o padrão-ouro para proteínas validadas experimentalmente. A sequência correspondente mais próxima é uma peptidase mitocondrial não relacionada

02:06 com apenas 26% de identidade de sequência e um valor E estatisticamente não significativo de 0,03. Todos os resultados subsequentes são ainda menos semelhantes. Isso confirma que nosso candidato não tem homólogos conhecidos e é uma sequência genuinamente nova. Em seguida, vamos examinar sua estrutura 3D prevista. O agent obtém a previsão do AlphaFold. Ela mostra que o peptídeo maduro, que abrange os resíduos 29 a 97, se dobra em um único domínio rígido

02:42 com uma pontuação pLDDT global de alta confiança de 88,5. Estruturalmente, a região N-terminal forma uma curta hélice alfa com menor confiança, provavelmente representando um peptídeo-sinal flexível. Já o domínio C-terminal adota uma conformação altamente estável e rica em folhas beta. Em seguida, o agent faz uma busca completa com o Foldseek no Protein Data Bank para encontrar estruturas semelhantes. Ele identifica uma correspondência de alta probabilidade com a estrutura de um AMP conhecido de outra espécie bacteriana. Embora

03:14 as sequências de suas proteínas sejam muito diferentes, com apenas 27% de identidade de sequência, suas estruturas 3D são notavelmente semelhantes. Vamos visualizar essa semelhança. O agent sobrepõe nossa previsão do AlphaFold à estrutura experimental conhecida e renderiza o resultado no visualizador 3D. Como podem ver, os domínios centrais de folhas beta se alinham quase perfeitamente entre as duas estruturas, com um RMSD de cerca de um ångström. Essa forte correspondência estrutural confirma

03:45 que nosso candidato adota a conformação exata de um peptídeo antimicrobiano. O agent anotou o peptídeo-sinal com uma cor diferente diretamente na estrutura. Para reforçar as previsões do Prot-ALM com evidências biológicas adicionais, vamos examinar o contexto genômico. O agent analisa os genes vizinhos e identifica um agrupamento de genes biossintéticos bem organizado logo após nosso candidato. Prevê-se que o operon codifique proteínas transportadoras e proteínas de ligação a ATP

04:20 essenciais para a exportação do peptídeo. Junto com uma bacteriocina secundária e um regulador transcricional dedicado, essa região genômica altamente conservada fornece evidências biológicas convincentes da existência de um sistema completo de expressão de bacteriocina funcional. Em seguida, queremos saber como nosso candidato funciona e qual é seu alvo. O agent sintetiza informações da literatura existente sobre peptídeos semelhantes à lacticina para deduzir o mecanismo molecular do candidato. Ele prevê que

04:52 essa família de peptídeos se liga seletivamente ao precursor da parede celular, o lipídio II, inibindo efetivamente a síntese do septo durante a divisão celular. Como esse peptídeo provavelmente evoluiu ecologicamente para competir por nichos no trato respiratório, o agent prevê atividade potente contra patógenos respiratórios, incluindo Streptococcus pneumoniae e Streptococcus pyogenes. Por fim, vamos transformar essas informações em um plano de validação experimental.

05:22 O agent gerou um roteiro experimental de laboratório com várias etapas. Ele descreve o projeto de constructos para expressão recombinante e a análise do perfil de suscetibilidade antimicrobiana contra cepas resistentes a medicamentos. Também detalha ensaios pré-clínicos de segurança para estabelecer o índice terapêutico. Em apenas alguns minutos, passamos de um banco de dados enorme a um candidato novo, corroborado estruturalmente e completo com um plano de ação para testes de laboratório. A natureza passou bilhões de anos desenvolvendo um universo incrível de

05:56 moléculas proteicas. Com workflows genéticos, podemos explorar e compreender esse universo com muito mais profundidade.

Transcrição original

[00:00] Hello. I’m Fei, a research scientist at Google DeepMind working on understanding the relationship between protein sequence and function. Antimicrobial resistance is one of today’s most urgent global health threats, projected to claim millions of lives annually by 2050. To protect global health, we need to discover new therapeutics that the pathogens cannot easily bypass. That is where antimicrobial peptides come in. As nature’s frontline defense, these small proteins attack the fundamental

[00:30] structure of pathogen membranes. This makes it harder for antimicrobial resistance to evolve. Today, I will show you how we can use Google anti-gravity as our agentic science workbench to accelerate this protein discovery process. In this demo, we will find a potential antimicrobial peptide, validate its novelty, analyze its 3D structure in silico, and generate an end-to-end wet-lab experimental plan, all in one workbench. I have launched anti-gravity with the

[01:02] science skills installed. We start our exploration by searching the UniProt database. We instruct the agent to screen the Streptococcus pneumoniae proteome for short peptides with length between 90 to 100 amino acids. We specifically want to look for uncharacterized proteins that our latest protein function model, Prot-ALM, predicts have antimicrobial activity. The agent identifies a prime candidate

[01:35] predicted to have antimicrobial activity. Our model predicts this sequence is a Lactococcin 972 family bacteriocin. Characterized by a 28-residue N-terminal signal sequence and a 69-residue mature peptide domain. Next, we need to confirm that this is a truly novel candidate. I will ask the agent to run a BLAST search against the Swiss-Prot, the gold standard for experimentally validated proteins. The top sequence match is an unrelated

[02:06] mitochondrial peptidase with only a 26% sequence identity with a statistically insignificant E-value of 0.03. All subsequent hits present are even less similar. This confirms our candidate lacks known homologs and is a genuinely novel sequence. Next, let’s look at the its predicted 3D structure. The agent retrieves the AlphaFold prediction. It shows that the mature peptide, which spans residues 29 through 97, folds into a rigid singular domain

[02:42] with a high-confidence global pLDDT score of 88.5. Structurally, the N-terminus forms a short alpha-helix with lower confidence, likely representing a flexible signal peptide. While the C-terminal domain adopts a highly stable beta-sheet-rich conformation. Next, the agent runs a full six search against the Protein Data Bank to find the similar structures. It identifies a high-probability match with the structure of a known AMP from a different bacteria species. Even though

[03:14] their protein sequences are very different with a low sequence identity of only 27%, their 3D folds are strikingly similar. Let’s visualize that the similarity. The agent uh superimposes our AlphaFold prediction onto the known experimental structure and the renders the result in the 3D viewer. As you can see, the core beta-sheet domains align almost perfectly between the two structures with an RMSD of around one angstrom. This a strong structure match confirms

[03:45] our candidate adopts the precise fold of an antimicrobial peptide. The agent has annotated the signal peptide with a different color directly on the structure. To back up our Prot ARM predictions with additional biological evidence, let’s look at the genomic context. The agent analyzes the neighboring genes and identifies a tightly organized biosynthetic gene cluster directly downstream of our candidate. The operon is predicted to encode transporter proteins and ATP-binding proteins

[04:20] essential for peptide export. Along with a secondary bacteriocin and a dedicated transcriptional regulator, this highly conserved genomic neighborhood provides compelling biological evidence of a complete functional bacteriocin expression system. Next, we want to know how our candidate works and what it targets. The agent synthesizes insights from existing literature on lacticin-like peptides to deduce the candidate’s molecular mechanism. It predicts that

[04:52] this peptide family selectively bind to the cell wall precursor lipid II, effectively inhibiting septum synthesis during cellular division. Because ecologically this peptide likely evolved for niche competition within the respiratory tract, the agent predicts potent activity against respiratory pathogens, including Streptococcus pneumoniae and Streptococcus pyogenes. Finally, let’s translate these insights into an experimental validation plan.

[05:22] The agent generated a multi-step wet-lab experimental roadmap. It outlines construct design for recombinant expression and antimicrobial susceptibility profiling against the drug-resistant strains. It also details preclinical safety assays to establish therapeutic index. In just minutes, we went from a massive database to a novel, structurally and the corroborated candidate complete with an action plan for wet lab testing. Nature has spent billions of years evolving an incredible universe of

[05:56] protein molecules. With a genetic workflows, we can explore and understand this universe in much greater depth.