Beide Fassungen sind Block für Block ausgerichtet, in der Reihenfolge des Textes: Titel, das Wesentliche, dann Absatz für Absatz. Wo die Übersetzung einen Absatz zusammengezogen oder geteilt hat, bleibt das entsprechende Feld leer — wir stellen niemals zwei Passagen nach Gefühl nebeneinander.
Millions of protein sequences in the world's largest public protein database have no known function. Google DeepMind's team went looking inside that gap and came back with a candidate that may fight respiratory infections. The candidate is a predicted antimicrobial peptide, a short protein of the kind bacteria naturally produce to kill their rivals. It was found in Streptococcus pseudopneumoniae, a bacterium from the same family as the pneumococcus.
Millionen Proteinsequenzen in der weltweit größten öffentlichen Proteindatenbank haben keine bekannte Funktion. Das Team von Google DeepMind hat sich in dieser Lücke umgesehen und einen Kandidaten zutage gefördert, der Atemwegsinfektionen bekämpfen könnte. Dieser Kandidat ist ein vorhergesagtes antimikrobielles Peptid, ein kurzes Protein, wie Bakterien es auf natürliche Weise herstellen, um ihre Rivalen abzutöten. Gefunden wurde es in Streptococcus pseudopneumoniae, einem Bakterium aus derselben Familie wie der Pneumokokkus.
The stakes are set by the scale of resistance. The authors estimate that antimicrobial resistance could cause 10 million deaths a year worldwide by 2050. Peptides are attractive because, as the authors note, they have evolved to attack basic bacterial structures, from cell envelopes to essential internal machinery, which makes resistance harder to develop. Some are already in use: nisin, a bacteriocin used worldwide, is the best-known example. Recent discoveries from genome mining, such as darobactin, dynobactin and lariocidin, show that the pool is not exhausted.
Das Ausmaß der Resistenzen gibt den Ausschlag. Die Autoren schätzen, dass Antibiotikaresistenzen bis 2050 weltweit 10 Millionen Todesfälle pro Jahr verursachen könnten. Peptide sind attraktiv, weil sie sich nach Angaben der Autoren so entwickelt haben, dass sie grundlegende bakterielle Strukturen angreifen – von den Zellhüllen bis zur lebenswichtigen inneren Maschinerie –, was die Entstehung von Resistenzen erschwert. Einige sind bereits im Einsatz: Nisin, ein weltweit eingesetztes Bakteriozin, ist das bekannteste Beispiel. Neuere Entdeckungen aus dem Genome Mining, etwa Darobactin, Dynobactin und Lariocidin, zeigen, dass der Vorrat noch lange nicht erschöpft ist.
The obstacle is information. Much of the sequence data produced by genome projects has been deposited in UniProt, the reference resource for protein sequences and functions, without any annotation. The authors describe these entries as the "dark matter" of protein databases. Their tool, ProtNLM (Protein Natural Language Model), is a deep learning model trained to read the evolutionary "grammar" of amino acid sequences and predict a protein's function directly from its sequence, without needing a close known relative. Google says the model has added high-confidence functional labels to millions of previously unnamed UniProt entries.
Das Hindernis ist die Information. Ein großer Teil der Sequenzdaten aus Genomprojekten wurde ohne jede Annotation in UniProt hinterlegt, der Referenzdatenbank für Proteinsequenzen und -funktionen. Die Autoren bezeichnen diese Einträge als „dunkle Materie“ der Proteindatenbanken. Ihr Werkzeug, ProtNLM (Protein Natural Language Model), ist ein Deep-Learning-Modell, das darauf trainiert wurde, die evolutionäre „Grammatik“ von Aminosäuresequenzen zu lesen und die Funktion eines Proteins direkt aus seiner Sequenz vorherzusagen, ohne einen nahen bekannten Verwandten zu benötigen. Google zufolge hat das Modell Millionen zuvor unbenannter UniProt-Einträge mit hochverlässlichen Funktionsangaben versehen.
In the workflow described by the team, the researcher steers the search and the agent does the cross-database work. The agent retrieves structures from the AlphaFold Database, and the scientist examines them in a 3D viewer built into Antigravity, where marking a region of a protein can prompt the agent to reason about that exact spot. Google presents the lead as "biologically plausible" and backed by structural and genomic evidence, but not yet proven. Its predicted activity has not been measured in the laboratory.
Im vom Team beschriebenen Ablauf steuert der Wissenschaftler die Suche, während der Agent die datenbankübergreifende Arbeit erledigt. Der Agent ruft Strukturen aus der AlphaFold Database ab, und der Wissenschaftler untersucht sie in einem in Antigravity integrierten 3D-Viewer, wo das Markieren einer Proteinregion den Agenten dazu bringen kann, genau diese Stelle zu analysieren. Google bezeichnet den Kandidaten als „biologisch plausibel“ und durch strukturelle und genomische Belege gestützt, aber noch nicht bewiesen. Seine vorhergesagte Wirkung wurde im Labor noch nicht gemessen.
For microbiology teams, the immediate change is the front end of the search: fewer weeks spent comparing databases, and more candidates screened per session. For patients, the benefit is still distant, and the path is long. The authors give no date for the wet-lab results, and no candidate from this workflow has yet been shown to work against bacteria, let alone in people. The next public milestone is the laboratory validation of this peptide.
Für mikrobiologische Teams liegt die unmittelbare Veränderung am Anfang der Suche: weniger Wochen für den Datenbankvergleich und mehr geprüfte Kandidaten pro Sitzung. Für Patientinnen und Patienten ist der Nutzen noch fern, und der Weg ist lang. Die Autoren nennen keinen Termin für Laborergebnisse, und bisher hat kein Kandidat aus diesem Ablauf eine Wirkung gegen Bakterien gezeigt, geschweige denn beim Menschen. Der nächste öffentliche Meilenstein ist die Laborvalidierung dieses Peptids.