Un agente IA segnala un possibile antibiotico, non ancora testato

Milioni di sequenze proteiche presenti nella più grande banca dati pubblica di proteine non hanno una funzione nota. Il team di Google DeepMind ha esplorato questo vuoto e ne ha ricavato un candidato che potrebbe combattere le infezioni respiratorie. Il candidato è un peptide antimicrobico previsto, una piccola proteina del tipo che i batteri producono naturalmente per eliminare i rivali. È stato individuato in Streptococcus pseudopneumoniae, un batterio della stessa famiglia dello pneumococco.

La posta in gioco è determinata dalla portata della resistenza. Gli autori stimano che la resistenza agli antimicrobici potrebbe causare 10 milioni di morti all'anno nel mondo entro il 2050. I peptidi sono interessanti perché, come notano gli autori, si sono evoluti per attaccare strutture batteriche di base, dall'involucro cellulare ai meccanismi interni essenziali, il che rende più difficile sviluppare resistenza. Alcuni sono già in uso: la nisina, una batteriocina impiegata in tutto il mondo, è l'esempio più noto. Scoperte recenti ottenute dall'analisi dei genomi, come darobactina, dinobactina e lariocidina, mostrano che il bacino di molecole non è esaurito.

L'ostacolo è l'informazione. Gran parte dei dati di sequenza prodotti dai progetti di sequenziamento è stata depositata in UniProt, la risorsa di riferimento per le sequenze e le funzioni delle proteine, senza alcuna annotazione. Gli autori descrivono queste voci come la «materia oscura» delle banche dati proteiche. Il loro strumento, ProtNLM (Protein Natural Language Model), è un modello di deep learning addestrato a leggere la «grammatica» evolutiva delle sequenze di amminoacidi e a prevedere la funzione di una proteina direttamente dalla sua sequenza, senza bisogno di un parente noto e vicino. Google afferma che il modello ha aggiunto etichette funzionali ad alta affidabilità a milioni di voci UniProt prima senza nome.

Nel flusso di lavoro descritto dal team, il ricercatore guida la ricerca e l'agente si occupa del lavoro tra le diverse banche dati. L'agente recupera le strutture dall'AlphaFold Database, e lo scienziato le esamina in un visualizzatore 3D integrato in Antigravity, dove selezionare una regione della proteina può spingere l'agente a ragionare proprio su quel punto. Google presenta il candidato come «biologicamente plausibile» e sostenuto da prove strutturali e genomiche, ma non ancora dimostrato. La sua attività prevista non è stata misurata in laboratorio.

Per i team di microbiologia, il cambiamento immediato riguarda la fase iniziale della ricerca: meno settimane spese a confrontare banche dati e più candidati vagliati in ogni sessione. Per i pazienti, il beneficio è ancora lontano e il percorso è lungo. Gli autori non indicano una data per i risultati di laboratorio, e nessun candidato emerso da questo flusso di lavoro è stato finora dimostrato efficace contro i batteri, tanto meno sull'uomo. La prossima tappa pubblica sarà la validazione in laboratorio di questo peptide.