Google DeepMind gunakan agen Antigravity untuk temukan kandidat peptida antimikroba

Google DeepMind pada 15 Oktober 2026 menerbitkan panduan teknis yang memperlihatkan bagaimana platform pengembangan agentik miliknya, Google Antigravity, dapat mempercepat pencarian antibiotik baru. Menurut perusahaan, para ahli biologi yang bekerja dalam satu sesi Antigravity berhasil menemukan kandidat peptida antimikroba baru yang diprediksi aktif terhadap patogen penyebab infeksi saluran pernapasan. Kandidat tersebut kini menjalani validasi di laboratorium basah.

Penelitian ini dikerjakan oleh Pengfei Tian, Maxwell L. Bileschi, Zoi Tsangalidou, Sukhdeep Singh, dan Lucy J. Colwell. Para penulis menegaskan bahwa hasil ini baru berupa kandidat yang masuk akal dan didukung bukti struktural serta genomik, bukan obat yang sudah terbukti, dan eksperimen laboratorium tetap diperlukan.

Menggali materi gelap protein

Inti dari alur kerja ini adalah ProtNLM, model pembelajaran mendalam buatan Google yang memprediksi fungsi biologis langsung dari urutan asam amino. Model ini menambahkan label seperti nama protein, deskripsi fungsi, lokasi subselular, istilah GO, dan kata kunci ke jutaan entri UniProt yang peran biologisnya belum diketahui. Banyak dari urutan tersebut berasal langsung dari proyek pengurutan genom dan tidak menyerupai protein yang sudah dikarakterisasi, sehingga secara efektif belum tereksplorasi.

Dalam demonstrasi, peneliti menetapkan tujuan yang sempit: menemukan dan memvalidasi secara komputasional peptida antimikroba baru pada Streptococcus pseudopneumoniae. Ilmuwan manusia mengarahkan strategi dan memilih bukti apa yang perlu dikumpulkan, sementara agen AI menangani kueri ke berbagai basis data, analisis struktur, dan perangkuman literatur.

DeepMind juga memperkenalkan Biomolecular Structure Viewer, alat visualisasi 3D yang terintegrasi di dalam Antigravity. Alat ini menampilkan struktur yang diambil dari AlphaFold Database atau dari prediksi milik ilmuwan sendiri, dan agen dapat menyorot bagian tertentu untuk menjelaskan penalarannya. Keterkaitannya berjalan dua arah: residu yang disorot peneliti atau yang mereka tandai pada kantong pengikatan diteruskan kembali ke agen, yang kemudian dapat menjawab pertanyaan tentang titik tepat tersebut.

Mengapa ini penting

Perusahaan merujuk pada perkiraan bahwa resistensi antimikroba dapat menyebabkan sekitar 10 juta kematian per tahun di seluruh dunia pada 2050. Bakteriosin, salah satu kelas peptida antimikroba, dinilai menjanjikan karena berevolusi untuk menyerang kelemahan inti bakteri pesaing, sehingga resistensi lebih sulit berkembang. Data genomik sudah menghasilkan Nisin yang banyak digunakan, serta temuan terbaru seperti Darobactin, Dynobactin, dan Lariocidin.

DeepMind berpendapat bahwa pencarian semacam ini sebelumnya membutuhkan skrip khusus, pemindahan berkas manual antaralat pemodelan, dan koordinasi di antara beberapa spesialis. Karena pekerjaan laboratorium basah mahal, mempersempit bidang ke kandidat terkuat sejak awal sangat penting. Apakah pendekatan ini benar-benar memenuhi janjinya akan bergantung pada performa kandidat baru di laboratorium.