Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
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.
Millones de secuencias de proteínas de la mayor base de datos pública de proteínas del mundo no tienen función conocida. El equipo de Google DeepMind se adentró en ese vacío y encontró un candidato que podría combatir las infecciones respiratorias. El candidato es un péptido antimicrobiano predicho, una proteína corta del tipo que las bacterias producen de forma natural para eliminar a sus rivales. Fue hallado en Streptococcus pseudopneumoniae, una bacteria de la misma familia que el neumococo.
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.
La magnitud del problema viene dada por la escala de las resistencias. Los autores estiman que la resistencia a los antimicrobianos podría causar 10 millones de muertes al año en el mundo en 2050. Los péptidos resultan atractivos porque, como señalan los autores, han evolucionado para atacar estructuras bacterianas básicas, desde las envolturas celulares hasta la maquinaria interna esencial, lo que hace más difícil desarrollar resistencias. Algunos ya se usan: la nisina, una bacteriocina empleada en todo el mundo, es el ejemplo más conocido. Descubrimientos recientes obtenidos mediante minería genómica, como la darobactina, la dinobactina y la lariocidina, muestran que el repertorio no se ha agotado.
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.
El obstáculo es la información. Gran parte de los datos de secuencias generados por los proyectos de secuenciación genómica se ha depositado en UniProt, el recurso de referencia para secuencias y funciones de proteínas, sin ninguna anotación. Los autores describen estas entradas como la «materia oscura» de las bases de datos de proteínas. Su herramienta, ProtNLM (Protein Natural Language Model), es un modelo de aprendizaje profundo entrenado para leer la «gramática» evolutiva de las secuencias de aminoácidos y predecir la función de una proteína directamente a partir de su secuencia, sin necesidad de un pariente cercano ya conocido. Google afirma que el modelo ha añadido etiquetas funcionales de alta confianza a millones de entradas de UniProt anteriormente sin nombre.
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.
En el flujo de trabajo descrito por el equipo, el investigador dirige la búsqueda y el agente se encarga del trabajo entre bases de datos. El agente recupera estructuras de la AlphaFold Database, y el científico las examina en un visor 3D integrado en Antigravity, donde marcar una región de una proteína puede llevar al agente a razonar sobre ese punto exacto. Google presenta el candidato como «biológicamente plausible» y respaldado por pruebas estructurales y genómicas, pero aún no demostrado. Su actividad predicha no se ha medido en el laboratorio.
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.
Para los equipos de microbiología, el cambio inmediato está en la primera fase de la búsqueda: menos semanas dedicadas a comparar bases de datos y más candidatos cribados por sesión. Para los pacientes, el beneficio sigue siendo lejano y el camino es largo. Los autores no dan fecha para los resultados de laboratorio, y ningún candidato de este flujo de trabajo ha demostrado todavía eficacia contra bacterias, y menos aún en personas. El próximo hito público será la validación en laboratorio de este péptido.