IA en un minutoNoticiasAgentes
Google DeepMind usa su plataforma de agentes Antigravity para buscar nuevos péptidos antimicrobianos
Redacción de IA en un minuto · Editor: Jon Elgezabal
En 30 segundos
Google DeepMind ha enseñado cómo unos biólogos, con ayuda de un agente de Antigravity, rastrearon UniProt en busca de nuevos antimicrobianos. El agente cruzó bases de datos, estudió la forma 3D de las proteínas y repasó la literatura, mientras el investigador decidía el rumbo. El candidato hallado, que apunta a patógenos respiratorios, está ahora en pruebas de laboratorio.
Google DeepMind contó el jueves 15 de octubre cómo un equipo de biólogos se sirvió de Google Antigravity, su plataforma de desarrollo con agentes de IA, para localizar un posible péptido antimicrobiano entre los millones de proteínas sin función conocida que guarda UniProt, la gran base de datos pública de secuencias de proteínas. Según las predicciones, el candidato actuaría contra patógenos que intervienen en las infecciones respiratorias. Ahora se está probando en el laboratorio, junto a otros que salieron del mismo proceso.
La compañía sitúa el trabajo en el problema de la resistencia a los antimicrobianos, que, según una estimación que cita, podría provocar unos 10 millones de muertes al año en todo el mundo hacia 2050. Los péptidos antimicrobianos, sobre todo las bacteriocinas, se consideran una alternativa a los antibióticos clásicos: atacan puntos débiles de otras bacterias y a los patógenos les cuesta más volverse resistentes a ellos. Muchos siguen escondidos en las bases de datos porque no se parecen a ninguna proteína ya estudiada.
Para leer esas secuencias, Google desarrolló ProtNLM, un modelo que deduce para qué sirve una proteína a partir de su cadena de aminoácidos y que ya ha añadido descripciones a millones de entradas de UniProt que no tenían nombre.
En la sesión que describe DeepMind, el investigador marcó el objetivo, buscar péptidos nuevos en la bacteria Streptococcus pseudopneumoniae, y decidió qué preguntar en cada paso; el agente hizo el trabajo pesado. Filtró la base de datos hasta quedarse con una bacteriocina de 97 aminoácidos y comprobó con la herramienta BLAST que no se parecía a ninguna proteína revisada a mano. Después recuperó su forma en 3D de la base de datos de AlphaFold, el sistema de Google DeepMind que predice la estructura de las proteínas, y la comparó con estructuras medidas en experimentos: se asemeja mucho a la de una bacteriocina conocida. También examinó los genes vecinos, que apuntan a un sistema de bacteriocina completo, y repasó la literatura científica, de la que dedujo que podría atacar la división celular de varias bacterias resistentes a fármacos. Por último, propuso el plan de pruebas de laboratorio, que incluye la producción de la proteína y ensayos de actividad y de toxicidad.
Con la publicación, Google incorpora a Antigravity un visor de estructuras en 3D, el Biomolecular Structure Viewer, que comparten el agente y el científico: este puede marcar una zona de la proteína y preguntar directamente por ella. DeepMind insiste en que el candidato es una pista verosímil, pero que solo el laboratorio dirá si funciona, y no da plazos ni resultados de esas pruebas.
Por qué importa · análisis y opinión
Lo novedoso no es que una IA proponga moléculas, sino que una sola sesión sustituya a días de guiones, exportaciones y herramientas sueltas, con el científico al mando de cada pregunta. Para un laboratorio pequeño, eso abarata el primer filtro, que es justo donde más tiempo se pierde. El escaparate tiene límites claros: es un recorrido elegido por la propia Google para presentar su producto, el candidato solo existe por ahora en predicciones y DeepMind no ha publicado todavía ningún resultado experimental. Hasta que lleguen las pruebas de actividad y de toxicidad, lo demostrado es que el agente ordena bien la evidencia, no que encuentre fármacos. Lo que habrá que vigilar es si otros grupos, fuera de Google, reproducen el método con sus propios patógenos.
Fuente oficial: Google DeepMind · Redactada con ayuda de IA: cómo hacemos las noticias
