Google DeepMind usa agentes de Antigravity para hallar un péptido antimicrobiano prometedor

Google DeepMind publicó el 15 de octubre de 2026 un análisis técnico que muestra cómo su plataforma agéntica de desarrollo, Google Antigravity, puede acelerar la búsqueda de nuevos antibióticos. Según la compañía, biólogos que trabajaron en una única sesión de Antigravity identificaron un nuevo péptido antimicrobiano candidato, con actividad prevista contra patógenos implicados en infecciones del tracto respiratorio. El candidato se encuentra ahora en fase de validación en laboratorio húmedo.

El trabajo está firmado por Pengfei Tian, Maxwell L. Bileschi, Zoi Tsangalidou, Sukhdeep Singh y Lucy J. Colwell. Los autores subrayan que el resultado es una pista plausible respaldada por evidencia estructural y genómica, no un fármaco confirmado, y que aún son necesarios experimentos de laboratorio.

Explorando la materia oscura de las proteínas

En el centro del flujo de trabajo está ProtNLM, un modelo de aprendizaje profundo desarrollado por Google que predice la función biológica directamente a partir de secuencias de aminoácidos. Añade etiquetas como nombres de proteínas, descripciones de función, localizaciones subcelulares, términos GO y palabras clave a millones de entradas de UniProt cuyo papel era desconocido. Muchas de esas secuencias proceden directamente de proyectos de secuenciación genómica y no se parecen a ninguna proteína caracterizada, por lo que permanecen prácticamente sin explorar.

En la demostración, el investigador se marcó un objetivo acotado: encontrar y validar computacionalmente nuevos péptidos antimicrobianos en Streptococcus pseudopneumoniae. El científico humano dirigió la estrategia y eligió qué pruebas reunir, mientras que el agente de IA se encargó de consultar varias bases de datos, analizar estructuras y resumir la bibliografía.

DeepMind también presentó Biomolecular Structure Viewer, una herramienta de visualización 3D integrada en Antigravity. Muestra estructuras extraídas de la base de datos de AlphaFold o de las predicciones propias de un científico, y el agente puede resaltar regiones para explicar su razonamiento. La conexión funciona en ambos sentidos: los residuos que el investigador resalta o fija en un bolsillo de unión se transmiten al agente, que puede entonces responder preguntas sobre ese punto exacto.

Por qué importa

La compañía señala estimaciones según las cuales la resistencia antimicrobiana podría causar unos 10 millones de muertes al año en todo el mundo en 2050. Las bacteriocinas, una clase de péptidos antimicrobianos, se consideran prometedoras porque evolucionaron para atacar debilidades fundamentales de las bacterias rivales, lo que dificulta el desarrollo de resistencias. Los datos genómicos ya han dado lugar a la nisina, ampliamente utilizada, así como a hallazgos recientes como la darobactina, la dynobactina y la lariocidina.

DeepMind sostiene que este tipo de búsqueda antes requería scripts personalizados, transferencias manuales de archivos entre herramientas de modelado y la coordinación de varios especialistas. Como el trabajo en laboratorio húmedo es costoso, reducir pronto el campo a las pistas más sólidas es esencial. Que el enfoque cumpla su promesa dependerá de cómo se comporte el nuevo candidato en el laboratorio.