Google Antigravity halla un candidato a péptido antimicrobiano entre 97 aminoácidos

Google DeepMind ha publicado un análisis de cómo unos biólogos usaron la plataforma agéntica Antigravity para encontrar un candidato a nuevo péptido antimicrobiano. El resultado es una bacteriocina de 97 aminoácidos con actividad predicha contra patógenos de infecciones respiratorias. Ahora se está verificando en el laboratorio, así que de momento es una hipótesis computacional, no un fármaco listo. Aun así, el proceso resulta interesante: un trabajo que antes se dispersaba entre varias bases de datos y herramientas cabe ahora en una sola sesión interactiva.

Por qué buscar en la «materia oscura»

La resistencia antimicrobiana sigue siendo uno de los principales problemas de la sanidad. Según los autores, de aquí a 2050 podría causar 10 millones de muertes al año. Los péptidos antimicrobianos, y en especial las bacteriocinas, se consideran una alternativa prometedora a los antibióticos clásicos. La evolución los ha afinado para atacar vulnerabilidades básicas de las bacterias competidoras, desde la envoltura celular hasta los mecanismos intracelulares, y a los patógenos les resulta más difícil desarrollar resistencia.

Hay precedentes: la nisina se usa en todo el mundo, y Darobactin, Dynobactin y Lariocidin son hallazgos recientes extraídos de genomas. El problema es que la mayor parte de las secuencias de las bases públicas no está anotada. UniProt contiene millones de proteínas de función desconocida: llegan directamente de proyectos genómicos y no se parecen a las proteínas ya estudiadas, por lo que la búsqueda clásica por similitud no las detecta.

Cómo funciona la combinación de Antigravity y ProtNLM

Aquí entra ProtNLM, un modelo de lenguaje para proteínas. Está entrenado para leer la «gramática» evolutiva de las secuencias de aminoácidos y, a partir de ella, predecir nombres de proteínas, comentarios sobre su función, localización en la célula, términos GO y palabras clave. El modelo ya ha enriquecido millones de registros sin anotar de UniProt.

Antigravity añade una capa de orquestación. El investigador fija el objetivo: encontrar y verificar computacionalmente nuevos AMP en Streptococcus pseudopneumoniae. Después mantiene un diálogo de varios pasos y decide qué preguntas formular y qué pruebas reunir. El agente se encarga de la rutina: recorre las bases de datos, analiza estructuras y resume la bibliografía.

En el ejemplo analizado, la cadena es la siguiente:

• el agente filtra millones de registros hasta quedarse con unos pocos candidatos y encuentra la bacteriocina A0A0U0D591, de 97 aminoácidos y de la familia Lactococcin 972;
• la novedad se comprueba con el servicio EMBL-EBI NCBI-BLAST contra Swiss-Prot: entre las proteínas revisadas manualmente no hay homólogos significativos;
• el modelo 3D del candidato se toma de AlphaFold Protein Structure Database, se buscan homólogos remotos entre estructuras determinadas experimentalmente y se superponen los modelos;
• el pliegue (fold) resultó cercano al de una bacteriocina estudiada experimentalmente, lo que respalda la predicción de ProtNLM;
• resultado: actividad predicha contra patógenos de infecciones respiratorias y traspaso del candidato (lead) a validación wet-lab.

Qué no está demostrado todavía

La principal salvedad figura en el propio texto: la verificación de laboratorio está en curso. La similitud estructural y la ausencia de homólogos en Swiss-Prot elevan la prioridad del candidato, pero no garantizan que el péptido mate bacterias in vitro, y menos aún que sea seguro y estable en el organismo. Además, la ausencia de homólogos en una base curada tampoco equivale a una novedad absoluta. La publicación muestra el método y un único ejemplo; en la parte accesible del material no hay estadísticas de aciertos sobre un conjunto amplio de candidatos.

Aun así, la lógica es razonable. El ser humano sigue siendo quien plantea las hipótesis, el agente reduce el coste de cada comprobación y las fuentes de verificación son independientes: secuencia, estructura y literatura.

Conclusión práctica

Para laboratorios y equipos de biotecnología, la señal es sencilla: las plataformas agénticas empiezan a cubrir la etapa de «encontrar y priorizar» antes de que se gasten reactivos y tiempo del personal. Si trabaja con datos genómicos, conviene montar un pipeline equivalente con componentes abiertos: UniProt, BLAST, AlphaFold DB y un visor de estructuras. El valor no lo determinará el número de candidatos encontrados, sino la proporción de los confirmados en wet-lab. Esas son las cifras que conviene esperar de Google a continuación.