Google DeepMind использует агентов Antigravity для поиска антимикробного пептида

15 октября 2026 года Google DeepMind опубликовала технический разбор того, как её агентная платформа для разработки Google Antigravity может ускорить поиск новых антибиотиков. По словам компании, биологи, работая в одной сессии Antigravity, выявили новый кандидат в антимикробные пептиды с предположительной активностью против возбудителей инфекций дыхательных путей. Сейчас этот кандидат проходит лабораторную проверку.

Авторами работы значатся Пэнфэй Тянь, Максвелл Л. Билески, Зои Цангалиду, Сукдип Сингх и Люси Дж. Колвелл. Исследователи подчёркивают, что результат является правдоподобным ориентиром, подкреплённым структурными и геномными данными, но не подтверждённым лекарством, и что для проверки по-прежнему необходимы лабораторные эксперименты.

Поиск в «тёмной материи» белков

В основе этого процесса лежит ProtNLM, модель глубокого обучения, созданная Google, которая предсказывает биологическую функцию непосредственно по аминокислотным последовательностям. Она добавляет к миллионам записей UniProt, функции которых были неизвестны, такие метки, как названия белков, описания функций, субклеточные локализации, термины GO и ключевые слова. Многие из этих последовательностей получены напрямую из проектов секвенирования геномов и не похожи ни на один охарактеризованный белок, поэтому фактически остаются неисследованными.

В демонстрации исследователь поставил узкую задачу: найти и вычислительно проверить новые антимикробные пептиды у Streptococcus pseudopneumoniae. Человек-учёный определял стратегию и выбирал, какие данные собирать, а ИИ-агент занимался запросами к нескольким базам данных, анализом структур и обобщением научной литературы.

DeepMind также представила Biomolecular Structure Viewer, встроенный в Antigravity инструмент трёхмерной визуализации. Он отображает структуры, взятые из базы данных AlphaFold или из собственных предсказаний учёного, а агент может выделять участки, чтобы объяснить свои рассуждения. Связь работает в обе стороны: остатки, которые исследователь выделяет или закрепляет в бинding-кармане, передаются агенту, и тот может отвечать на вопросы именно об этом участке.

Почему это важно

Компания ссылается на оценки, согласно которым устойчивость к антимикробным препаратам может к 2050 году ежегодно приводить примерно к 10 миллионам смертей по всему миру. Бактериоцины, класс антимикробных пептидов, считаются перспективными, поскольку они эволюционно развились так, чтобы бить по ключевым уязвимостям конкурирующих бактерий, что затрудняет формирование резистентности. Геномные данные уже позволили получить широко используемый низин, а также недавние находки, такие как даробактин, динобактин и лариоцидин.

DeepMind утверждает, что раньше такой поиск требовал самописных скриптов, ручной передачи файлов между инструментами моделирования и координации работы нескольких специалистов. Поскольку лабораторные эксперименты дороги, на раннем этапе крайне важно сузить круг до самых перспективных кандидатов. Оправдает ли этот подход возлагаемые на него надежды, будет зависеть от того, как новый кандидат покажет себя в лаборатории.