北京
全球数据库里躺着数十亿条天然氨基酸序列，绝大多数功能未被标注，处于"暗物质"状态。与此同时，抗生素耐药性问题不断加剧，新药研发却缓慢且繁琐。这两件事之间，谷歌想用AI搭一座桥。
谷歌推出的 Google Antigravity 智能开发平台，正在尝试把抗菌肽的发现流程压缩。研究人员已经通过它发现了一种新型抗菌肽候选分子，预测其对呼吸道感染病原体具有活性。目前，该候选分子正在进行湿实验室验证。
从"暗物质"里找答案
抗菌肽，尤其是细菌素，被视为传统抗生素很有前景的替代品。这类物质天然进化出靶向细菌基础弱点的能力，病原体很难对其产生耐药性。问题在于，全球数据库中积累的数十亿条天然氨基酸序列，大量功能未被标注，想从中筛选出有用的分子，如同大海捞针。
Antigravity 平台借助 ProtNLM 模型来应对这一难题。该模型可以直接读取氨基酸序列的进化"语法"，从原始蛋白质序列预测生物功能，为大量 UniProt 条目添加了高置信度功能标注。研究人员因此可以扫描 UniProt 数据库中数百万未表征的蛋白质，而不必依赖逐个实验验证。
把数天的筛选压进一次会话
传统模式下，生物学家需要跨多个数据库分散搜索，流程冗长。Antigravity 提供的智能科学工作台，将这一过程整合到单次会话中，支持快速发现、结构评估和筛选潜在靶点。
平台内置了 Biomolecular Structure Viewer 三维可视化工具。研究者和智能体可以在共享的3D画布上协作：智能体从 AlphaFold 数据库获取结构，动态驱动可视化，高亮关键功能区域；研究者也可以在3D空间标记感兴趣区域，向智能体提出问题，实现基于结构的交互式研究。
在这种协作模式中，分工是明确的：
- 研究者设定生物学目标、把控研究策略
- 智能体负责跨数据库协调、结构分析和文献综合等繁重工作
原本需要数天的分散数据库筛选，被压缩为单次协作会话。过往这类研发工作需要依赖分散的专业软件，而 Antigravity 将完整的科学推理流程整合在一处，帮助研究人员更高效地遍历广阔的生物搜索空间，筛选出高置信度候选分子。
对科学家来说，省下来的时间可以投入到高质量假设验证和实验研究中。抗菌肽只是这条路径上的第一个验证场景，但它指向的逻辑很清晰：当数十亿条序列不再沉睡，新药发现的起点就被往前挪了一步。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
