Google DeepMind utilise des agents Antigravity pour identifier un peptide antimicrobien prometteur

Le 15 octobre 2026, Google DeepMind a publié un guide technique montrant comment sa plateforme de développement agentique, Google Antigravity, peut accélérer la recherche de nouveaux antibiotiques. Selon l'entreprise, des biologistes travaillant lors d'une seule session Antigravity ont mis au jour un nouveau peptide antimicrobien candidat, dont l'activité prévue vise des agents pathogènes impliqués dans les infections des voies respiratoires. Ce candidat fait actuellement l'objet d'une validation en laboratoire.

Ce travail est attribué à Pengfei Tian, Maxwell L. Bileschi, Zoi Tsangalidou, Sukhdeep Singh et Lucy J. Colwell. Les auteurs insistent sur le fait que ce résultat constitue une piste plausible, étayée par des données structurelles et génomiques, et non un médicament confirmé, et que des expériences en laboratoire restent nécessaires.

Explorer la « matière noire » des protéines

Au cœur de ce processus se trouve ProtNLM, un modèle d'apprentissage profond conçu par Google, qui prédit la fonction biologique directement à partir des séquences d'acides aminés. Il ajoute des annotations telles que les noms de protéines, les descriptions de fonction, les localisations subcellulaires, les termes GO et les mots-clés à des millions d'entrées UniProt dont le rôle était inconnu. Beaucoup de ces séquences proviennent directement de projets de séquençage de génomes et ne ressemblent à aucune protéine caractérisée, restant ainsi pratiquement inexplorées.

Lors de la démonstration, le chercheur s'est fixé un objectif précis : trouver et valider par calcul de nouveaux peptides antimicrobiens chez Streptococcus pseudopneumoniae. Le scientifique humain a défini la stratégie et choisi les éléments de preuve à rassembler, tandis que l'agent d'IA se chargeait d'interroger plusieurs bases de données, d'analyser les structures et de résumer la littérature scientifique.

DeepMind a également présenté le Biomolecular Structure Viewer, un outil de visualisation 3D intégré à Antigravity. Il affiche des structures tirées de la base de données AlphaFold ou issues des propres prédictions d'un scientifique, et l'agent peut mettre en évidence certaines régions pour expliquer son raisonnement. Le lien fonctionne dans les deux sens : les résidus qu'un chercheur met en évidence ou qu'il épingle sur une poche de liaison sont transmis à l'agent, qui peut alors répondre à des questions portant précisément sur ce site.

Pourquoi c'est important

L'entreprise cite des estimations selon lesquelles la résistance aux antimicrobiens pourrait causer environ 10 millions de décès par an dans le monde d'ici 2050. Les bactériocines, une classe de peptides antimicrobiens, sont considérées comme prometteuses, car elles ont évolué pour cibler les faiblesses fondamentales des bactéries rivales, ce qui rend la résistance plus difficile à développer. Les données génomiques ont déjà permis de découvrir la nisine, largement utilisée, ainsi que des découvertes récentes comme la darobactine, la dynobactine et la lariocidine.

DeepMind soutient que ce type de recherche exigeait auparavant des scripts personnalisés, des transferts manuels de fichiers entre outils de modélisation et une coordination entre plusieurs spécialistes. Les travaux en laboratoire étant coûteux, il est essentiel de restreindre rapidement le champ aux pistes les plus prometteuses. La réussite de cette approche dépendra des performances du nouveau candidat en laboratoire.