Google DeepMind запустила ИИ-агента для поиска антимикробных пептидов среди миллионов белков

15 октября Google DeepMind выпустила технический демонстрационный материал, в котором ИИ-агент проходит весь путь от миллионов белковых последовательностей до списка кандидатов в антимикробные пептиды, готовых к экспериментальной проверке. Об этом сообщило издание Jiqizhixin. Это демонстрация подхода, а не отчёт о клинических испытаниях. Но выбор задачи показывает, куда DeepMind двигает агентные системы: из чат-интерфейсов в научный пайплайн с реальными пробирками на выходе.

Проблема: данные есть, аннотаций нет

Устойчивость бактерий к антибиотикам растёт, а поиск новых антимикробных молекул остаётся медленным и дорогим. При этом человечество уже накопило огромные базы белковых последовательностей. Проблема в том, что функция заметной части этих белков неизвестна. Среди них вполне могут быть молекулы с антимикробной активностью, но по существующим аннотациям их не найти. Классический поиск по гомологии опирается на сходство с уже известными белками, а новый класс пептидов может не походить ни на что знакомое.

Именно этот «тёмный» массив DeepMind и выбрала полем для агента: нужно отсеять миллионы последовательностей и оставить небольшое число тех, что стоит синтезировать и тестировать.

Что известно о проекте

По доступному фрагменту публикации картина выглядит так:

• Вход: миллионы белковых последовательностей, в том числе с неясной функцией.
• Исполнитель: ИИ-агент, который ведёт поиск и отбор как многошаговый процесс.
• Выход: экспериментальные кандидаты в антимикробные пептиды.
• Формат: технический демонстрационный материал от 15 октября, не рецензируемая статья.
• Не раскрыто в доступном тексте: архитектура агента, используемые модели, размер финального списка, доля подтверждённых в лаборатории кандидатов.

Последний пункт самый важный. Без цифр о лабораторной проверке оценить практическую ценность метода нельзя. Вычислительные пайплайны обычно легко выдают красивые списки. Трудность начинается, когда пептиды синтезируют и проверяют на живых культурах.

Где такие проекты ломаются

У антимикробных пептидов есть типовые ловушки. Молекула может убивать бактерии в пробирке и одновременно повреждать клетки человека. Она может быстро разрушаться в организме или плохо работать в условиях, близких к реальным. Поэтому цепочка «предсказали, синтезировали, проверили» стоит дороже, чем кажется на схеме, а каждый её этап отсекает значительную часть кандидатов.

Агентный подход здесь потенциально полезен не из-за одной удачной модели, а из-за автоматизации рутины. Выбор признаков, фильтрация, повторные запросы к инструментам, ранжирование: всё, что раньше требовало ручной работы биоинформатика, можно отдать системе, которая сама решает, какой шаг делать следующим. Насколько хорошо это реализовано у DeepMind, станет понятно только после выхода подробностей.

На что смотреть дальше

Для биотех-команд и ML-инженеров полезно держать в голове короткий чек-лист. Когда появятся полные данные, первым делом стоит искать:

• долю кандидатов с подтверждённой активностью против устойчивых штаммов;
• данные по токсичности для клеток человека, включая гемолиз;
• сравнение с базовыми методами поиска, а не только с случайным отбором;
• воспроизводимость: открыты ли код, список последовательностей и протоколы.

Если эти пункты закрыты, DeepMind получит один из немногих примеров, где агент в науке измеряется не демонстрацией, а числом работающих молекул. Если нет, перед нами остаётся аккуратная презентация метода. Пока же честнее считать публикацию заявкой на подход, итоги которого определит лаборатория.