Google DeepMind wykorzystuje agentów Antigravity do znalezienia kandydata na peptyd przeciwdrobnoustrojowy

Google DeepMind 15 października 2026 roku opublikował techniczny przegląd pokazujący, jak jego platforma do tworzenia oprogramowania oparta na agentach, Google Antigravity, może przyspieszyć poszukiwania nowych antybiotyków. Według firmy biolodzy pracujący w jednej sesji Antigravity wytypowali nowego kandydata na peptyd przeciwdrobnoustrojowy, który według przewidywań działa na patogeny odpowiedzialne za infekcje dróg oddechowych. Kandydat jest obecnie poddawany walidacji w laboratorium.

Autorami pracy są Pengfei Tian, Maxwell L. Bileschi, Zoi Tsangalidou, Sukhdeep Singh i Lucy J. Colwell. Badacze podkreślają, że wynik to wiarygodny punkt wyjścia, poparty dowodami strukturalnymi i genomowymi, a nie potwierdzony lek, i że konieczne są jeszcze eksperymenty laboratoryjne.

Poszukiwania w ciemnej materii białkowej

Sercem tego procesu jest ProtNLM, model głębokiego uczenia zbudowany przez Google, który przewiduje funkcję biologiczną bezpośrednio na podstawie sekwencji aminokwasów. Dodaje on etykiety, takie jak nazwy białek, opisy funkcji, lokalizacje komórkowe, terminy GO i słowa kluczowe, do milionów wpisów UniProt, których rola była nieznana. Wiele z tych sekwencji pochodzi bezpośrednio z projektów sekwencjonowania genomów i nie przypomina żadnego scharakteryzowanego białka, przez co pozostają praktycznie niezbadane.

W prezentacji badacz postawił sobie wąski cel: znaleźć i zweryfikowano obliczeniowo nowe peptydy przeciwdrobnoustrojowe u Streptococcus pseudopneumoniae. Naukowiec-człowiek kierował strategią i decydował, jakie dowody zgromadzić, a agent AI zajmował się przeszukiwaniem wielu baz danych, analizą struktur i streszczaniem literatury.

DeepMind przedstawił też Biomolecular Structure Viewer, narzędzie do wizualizacji 3D wbudowane w Antigravity. Wyświetla ono struktury pobrane z bazy AlphaFold Database lub z własnych przewidywań naukowca, a agent może podświetlać fragmenty, aby wyjaśnić swoje rozumowanie. Połączenie działa w obie strony: reszty aminokwasowe wskazane przez badacza lub przypięte przez niego do kieszeni wiążącej są przekazywane z powrotem agentowi, który może następnie odpowiadać na pytania dotyczące właśnie tego miejsca.

Dlaczego to ma znaczenie

Firma powołuje się na szacunki, według których oporność na środki przeciwdrobnoustrojowe może do 2050 roku powodować na świecie około 10 milionów zgonów rocznie. Bakteriocyny, czyli klasa peptydów przeciwdrobnoustrojowych, uchodzą za obiecujące, ponieważ wyewoluowały tak, by atakować kluczowe słabości konkurencyjnych bakterii, co utrudnia rozwój oporności. Dane genomowe przyniosły już powszechnie stosowaną nizynę, a także niedawne odkrycia, takie jak darobaktyna, dynobaktyna i lariocydyna.

DeepMind twierdzi, że dotychczas tego typu poszukiwania wymagały niestandardowych skryptów, ręcznego przenoszenia plików między narzędziami do modelowania i koordynacji pracy kilku specjalistów. Ponieważ prace laboratoryjne są kosztowne, zawężenie pola do najmocniejszych kandydatów na wczesnym etapie jest kluczowe. To, czy podejście spełni pokładane w nim nadzieje, zależy od tego, jak nowy kandydat sprawdzi się w laboratorium.