Google DeepMind usa gli agenti Antigravity per individuare un candidato peptide antimicrobico

Il 15 ottobre 2026 Google DeepMind ha pubblicato un approfondimento tecnico che mostra come la sua piattaforma di sviluppo agentica, Google Antigravity, possa accelerare la ricerca di nuovi antibiotici. Secondo l'azienda, alcuni biologi che lavoravano in un'unica sessione su Antigravity hanno individuato un nuovo candidato peptide antimicrobico con attività prevista contro patogeni coinvolti nelle infezioni delle vie respiratorie. Il candidato è ora sottoposto a validazione in laboratorio.

Il lavoro è attribuito a Pengfei Tian, Maxwell L. Bileschi, Zoi Tsangalidou, Sukhdeep Singh e Lucy J. Colwell. Gli autori sottolineano che il risultato è una pista plausibile, supportata da prove strutturali e genomiche, e non un farmaco confermato, e che sono ancora necessari esperimenti di laboratorio.

Alla scoperta della materia oscura delle proteine

Al centro del flusso di lavoro c'è ProtNLM, un modello di deep learning sviluppato da Google che prevede la funzione biologica direttamente dalle sequenze di amminoacidi. Il modello aggiunge annotazioni come nomi delle proteine, descrizioni delle funzioni, localizzazioni subcellulari, termini GO e parole chiave a milioni di voci di UniProt la cui funzione era sconosciuta. Molte di queste sequenze provengono direttamente da progetti di sequenziamento genomico e non somigliano a nessuna proteina caratterizzata, restando di fatto inesplorate.

Nella dimostrazione, il ricercatore si è posto un obiettivo ristretto: trovare e validare computazionalmente nuovi peptidi antimicrobici in Streptococcus pseudopneumoniae. Lo scienziato umano ha guidato la strategia e scelto quali prove raccogliere, mentre l'agente IA si è occupato di interrogare più banche dati, analizzare le strutture e riassumere la letteratura.

DeepMind ha inoltre presentato il Biomolecular Structure Viewer, uno strumento di visualizzazione 3D integrato in Antigravity. Mostra strutture tratte dall'AlphaFold Database o dalle previsioni dello stesso scienziato, e l'agente può evidenziare alcune regioni per spiegare il proprio ragionamento. Il collegamento funziona in entrambe le direzioni: i residui che il ricercatore evidenzia o che fissa su una tasca di legame vengono trasmessi all'agente, che può poi rispondere a domande proprio su quel punto.

Perché è importante

L'azienda cita le stime secondo cui la resistenza antimicrobica potrebbe causare circa 10 milioni di morti all'anno nel mondo entro il 2050. I batteriocini, una classe di peptidi antimicrobici, sono considerati promettenti perché si sono evoluti per colpire punti deboli fondamentali dei batteri rivali, rendendo più difficile lo sviluppo di resistenze. I dati genomici hanno già portato alla scoperta della nisina, ampiamente usata, e a recenti scoperte come darobactina, dinobactina e lariocidina.

DeepMind sostiene che questo tipo di ricerca richiedeva in passato script personalizzati, trasferimenti manuali di file tra strumenti di modellazione e il coordinamento di più specialisti. Poiché il lavoro di laboratorio è costoso, restringere il campo ai candidati più promettenti fin dall'inizio è essenziale. Se l'approccio manterrà le sue promesse dipenderà da come si comporterà il nuovo candidato in laboratorio.