Google DeepMind nutzt Antigravity-Agenten für einen neuen antimikrobiellen Peptid-Kandidaten

Google DeepMind hat am 15. Oktober 2026 eine technische Anleitung veröffentlicht, die zeigt, wie die agentische Entwicklungsplattform Google Antigravity die Suche nach neuen Antibiotika beschleunigen kann. Nach Angaben des Unternehmens haben Biologen in einer einzigen Antigravity-Sitzung einen neuartigen antimikrobiellen Peptid-Kandidaten gefunden, dem eine Wirksamkeit gegen Erreger von Atemwegsinfektionen vorhergesagt wird. Der Kandidat wird nun im Labor validiert.

Die Arbeit geht auf Pengfei Tian, Maxwell L. Bileschi, Zoi Tsangalidou, Sukhdeep Singh und Lucy J. Colwell zurück. Die Autoren betonen, dass es sich um einen plausiblen Ansatzpunkt handelt, der durch strukturelle und genomische Belege gestützt wird, nicht um ein bestätigtes Medikament, und dass Laborexperimente weiterhin nötig sind.

Die Suche im dunklen Proteinuniversum

Kern des Workflows ist ProtNLM, ein von Google entwickeltes Deep-Learning-Modell, das die biologische Funktion direkt aus Aminosäuresequenzen vorhersagt. Es ergänzt Millionen UniProt-Einträge, deren Rolle bisher unbekannt war, um Angaben wie Proteinnamen, Funktionsbeschreibungen, subzelluläre Lokalisierungen, GO-Terme und Schlagwörter. Viele dieser Sequenzen stammen direkt aus Genomsequenzierungsprojekten und ähneln keinem charakterisierten Protein, sodass sie praktisch unerforscht bleiben.

In der Demonstration setzte sich der Forscher ein eng gefasstes Ziel: neue antimikrobielle Peptide in Streptococcus pseudopneumoniae finden und rechnerisch validieren. Der menschliche Wissenschaftler legte die Strategie fest und entschied, welche Belege gesammelt werden, während der KI-Agent die Abfragen mehrerer Datenbanken übernahm, Strukturen analysierte und die Literatur zusammenfasste.

DeepMind stellte außerdem den Biomolecular Structure Viewer vor, ein in Antigravity integriertes 3D-Visualisierungswerkzeug. Es zeigt Strukturen aus der AlphaFold-Datenbank oder aus eigenen Vorhersagen eines Wissenschaftlers an, und der Agent kann Bereiche hervorheben, um seine Überlegungen zu erklären. Die Verbindung funktioniert in beide Richtungen: Aminosäurereste, die ein Forscher markiert oder als Teil einer Bindungstasche festlegt, werden an den Agenten zurückgegeben, der dann Fragen genau zu dieser Stelle beantworten kann.

Warum das wichtig ist

Das Unternehmen verweist auf Schätzungen, wonach Antibiotikaresistenzen bis 2050 weltweit jährlich rund 10 Millionen Todesfälle verursachen könnten. Bakteriocine, eine Klasse antimikrobieller Peptide, gelten als vielversprechend, weil sie sich entwickelt haben, um zentrale Schwachstellen konkurrierender Bakterien anzugreifen, wodurch Resistenzen schwerer entstehen. Genomische Daten haben bereits das weit verbreitete Nisin sowie neuere Funde wie Darobactin, Dynobactin und Lariocidin hervorgebracht.

DeepMind argumentiert, dass diese Art der Suche bisher maßgeschneiderte Skripte, manuelle Dateiübertragungen zwischen Modellierungswerkzeugen und die Abstimmung mehrerer Fachleute erforderte. Da Laborarbeit teuer ist, sei es entscheidend, das Feld frühzeitig auf die vielversprechendsten Ansatzpunkte einzugrenzen. Ob der Ansatz hält, was er verspricht, wird davon abhängen, wie sich der neue Kandidat im Labor bewährt.