Google DeepMind використала агентів Antigravity для пошуку кандидата на антимікробний пептид

15 жовтня 2026 року Google DeepMind оприлюднила технічний огляд того, як її агентна платформа для розробки, Google Antigravity, може прискорити пошук нових антибіотиків. За словами компанії, біологи, працюючи в одній сесії Antigravity, виявили новий кандидат на антимікробний пептид, який, за прогнозом, діє проти збудників інфекцій дихальних шляхів. Зараз цього кандидата перевіряють у лабораторії.

Авторами роботи є Пенфей Тян, Максвелл Л. Білешчі, Зої Тсангалідоу, Сукдіп Сінгх і Люсі Дж. Колвелл. Автори наголошують, що результат є перспективною основою для досліджень, підкріпленою структурними та геномними даними, а не підтвердженим ліками, і що лабораторні експерименти ще необхідні.

Дослідження «темної материї» білків

В основі цього процесу лежить ProtNLM, модель глибинного навчання, створена Google, яка передбачає біологічну функцію безпосередньо з амінокислотних послідовностей. Вона додає такі позначки, як назви білків, описи функцій, субклітинні локалізації, терміни GO та ключові слова, до мільйонів записів UniProt, ролі яких були невідомі. Багато з цих послідовностей походять безпосередньо з проєктів секвенування геномів і не схожі на жоден охарактеризований білок, тож фактично залишаються недослідженими.

У демонстрації дослідник поставив вузьку мету: знайти та обчислювально перевірити нові антимікробні пептиди у Streptococcus pseudopneumoniae. Людина-науковець визначала стратегію і вирішувала, які докази збирати, тоді як ШІ-агент виконував запити до кількох баз даних, аналізував структури та узагальнював наукову літературу.

DeepMind також представила Biomolecular Structure Viewer, інструмент тривимірної візуалізації, вбудований в Antigravity. Він відображає структури, взяті з бази даних AlphaFold або з власних прогнозів науковця, а агент може підсвічувати ділянки, щоб пояснити свої міркування. Зв’язок працює в обох напрямках: залишки, які дослідник виділяє або закріплює на кишені зв’язування, передаються назад агенту, який потім може відповідати на запитання саме про це місце.

Чому це важливо

Компанія посилається на оцінки, за якими антимікробна резистентність до 2050 року може щороку призводити приблизно до 10 мільйонів смертей у світі. Бактеріоцини, клас антимікробних пептидів, вважаються перспективними, оскільки вони еволюціонували так, щоб атакувати ключові слабкі місця бактерій-конкурентів, що ускладнює розвиток резистентності. Геномні дані вже дали широко використовуваний нізин, а також нещодавні відкриття, такі як даробактин, динобактин і ларіоцидин.

DeepMind стверджує, що раніше такий пошук вимагав спеціальних скриптів, ручного перенесення файлів між інструментами моделювання та координації роботи кількох фахівців. Оскільки лабораторна робота є дорогою, звуження пошуку до найсильніших кандидатів на ранньому етапі є важливим. Чи виправдає цей підхід свої обіцянки, залежатиме від того, як новий кандидат покаже себе в лабораторії.