Google DeepMind zet Antigravity-agents in om kandidaat-antimicrobieel peptide te vinden

Google DeepMind publiceerde op 15 oktober 2026 een technische toelichting over hoe het agentische ontwikkelplatform Google Antigravity de zoektocht naar nieuwe antibiotica kan versnellen. Volgens het bedrijf hebben biologen die in één Antigravity-sessie werkten een nieuwe antimicrobiële peptidekandidaat naar voren gebracht, met naar verwachting werking tegen ziekteverwekkers die betrokken zijn bij infecties van de luchtwegen. De kandidaat wordt nu in het laboratorium gevalideerd.

Het werk is toegeschreven aan Pengfei Tian, Maxwell L. Bileschi, Zoi Tsangalidou, Sukhdeep Singh en Lucy J. Colwell. De auteurs benadrukken dat het resultaat een aannemelijke aanknopingspunt is, ondersteund door structurele en genomische gegevens, en geen bevestigd geneesmiddel. Laboratoriumexperimenten zijn nog nodig.

Het ontginnen van eiwit-donkere materie

Centraal in de werkwijze staat ProtNLM, een deep learning-model dat Google heeft gebouwd en dat de biologische functie rechtstreeks uit aminozuursequenties voorspelt. Het voegt labels toe, zoals eiwitnamen, functiebeschrijvingen, subcellulaire locaties, GO-termen en trefwoorden, aan miljoenen UniProt-items waarvan de rol onbekend was. Veel van die sequenties komen rechtstreeks uit genoomsequencingprojecten en lijken op geen enkel gekarakteriseerd eiwit, waardoor ze in feite onontgonnen blijven.

In de demonstratie stelde de onderzoeker een nauwe doelstelling: nieuwe antimicrobiële peptiden in Streptococcus pseudopneumoniae vinden en computationeel valideren. De menselijke wetenschapper bepaalde de strategie en koos welk bewijs er verzameld moest worden, terwijl de AI-agent zorgde voor het doorzoeken van meerdere databases, het analyseren van structuren en het samenvatten van de literatuur.

DeepMind introduceerde ook de Biomolecular Structure Viewer, een 3D-visualisatietool die in Antigravity is ingebouwd. Die toont structuren uit de AlphaFold Database of uit de eigen voorspellingen van een wetenschapper, en de agent kan regio's markeren om zijn redenering toe te lichten. De koppeling werkt in twee richtingen: residuen die een onderzoeker markeert of op een bindingszak vastzet, worden teruggegeven aan de agent, die vervolgens vragen over precies die plek kan beantwoorden.

Waarom het belangrijk is

Het bedrijf verwijst naar schattingen dat antimicrobiële resistentie wereldwijd tegen 2050 jaarlijks rond de 10 miljoen doden kan veroorzaken. Bacteriocines, een klasse antimicrobiële peptiden, worden als veelbelovend beschouwd omdat ze zich hebben ontwikkeld om zwakke plekken in concurrerende bacteriën aan te vallen, waardoor resistentie moeilijker ontstaat. Genomische gegevens hebben al het veelgebruikte Nisin opgeleverd, evenals recente vondsten zoals Darobactin, Dynobactin en Lariocidin.

DeepMind stelt dat dit soort zoekwerk voorheen maatwerkscripts, handmatig bestanden verplaatsen tussen modelleringstools en afstemming tussen meerdere specialisten vereiste. Omdat laboratoriumwerk kostbaar is, is het essentieel het veld vroeg te beperken tot de sterkste aanknopingspunten. Of de aanpak waarmaakt wat ze belooft, hangt af van hoe de nieuwe kandidaat in het lab presteert.