Google DeepMinds gennemgang beskriver opdagelsen af antimikrobielle peptider

Google DeepMind offentliggjorde den 15. oktober 2026 en teknisk gennemgang, hvor biologer brugte Google Antigravity, virksomhedens agentbaserede udviklingsplatform, til at identificere en ny kandidat til et antimikrobielt peptid i Streptococcus pseudopneumoniae. Virksomheden oplyste, at kandidaten er ved at blive valideret i laboratoriet.

Gennemgangen, som er skrevet af Pengfei Tian, Maxwell L Bileschi, Zoi Tsangalidou, Sukhdeep Singh og Lucy J. Colwell, sætter arbejdet ind i en kontekst med stigende antimikrobiel resistens, der ifølge indlægget kan føre til anslået 10 millioner dødsfald om året på verdensplan inden 2050. Den fremhæver antimikrobielle peptider, især bakteriociner, som et lovende alternativ til traditionelle antibiotika, fordi de gennem evolutionen naturligt er blevet tilpasset til at ramme grundlæggende sårbarheder hos konkurrerende bakterier – fra cellehylstre til livsvigtigt intracellulært maskineri. Ifølge indlægget har genomisk og metagenomisk sekventering fyldt globale databaser med milliarder af naturlige aminosyresekvenser. Denne pulje har ført til udbredt anvendte bakteriociner som Nisin samt opdagelser gennem genomisk søgning, herunder Darobactin, Dynobactin og Lariocidin, mens millioner af sekvenser i UniProt-databasen fortsat ikke er funktionelt karakteriseret. Google udviklede ProtNLM (Protein Natural Language Model), som indlægget beskriver som en deep learning-model, der er trænet til at forudsige biologisk funktion direkte ud fra rå aminosyresekvenser, og DeepMind oplyste, at modellen har forsynet millioner af tidligere unavngivne UniProt-poster med funktionelle betegnelser med høj sikkerhed.

Fra søgning i UniProt til en kandidat fundet ved beregninger

I gennemgangen starter forskeren og AI-agenten med et afgrænset biologisk mål: at finde nye antimikrobielle peptider i Streptococcus pseudopneumoniae og validere dem ved hjælp af beregninger. Under en interaktiv session med flere samtaler styrer forskeren den videnskabelige strategi ved at beslutte, hvilke spørgsmål der skal stilles, og hvilke beviser der skal indsamles, mens agenten håndterer koordinering på tværs af databaser, strukturanalyse og sammenfatning af forskningslitteratur. Skærmbilleder af brugerfladen i indlægget viser, at sessionen blev gennemført med modellen Gemini 3.8 Flash valgt i Antigravity-brugerfladen.

Agenten søgte i UniProt og indsnævrede millioner af poster til en kortliste over kandidater. Her identificerede den en bakteriocin med UniProt-ID’et A0A0U0D591, et peptid på 97 aminosyrer fra Lactococcin 972-familien. Ifølge indlægget forventes kandidaten at være aktiv mod de patogener, der forårsager luftvejsinfektioner. For at kontrollere, om kandidaten var ny, bad forskeren agenten undersøge den op mod kuraterede Swiss-Prot-proteiner via EMBL-EBI’s NCBI-BLAST-tjeneste. Gennemgangen oplyser, at kontrollen bekræftede, at der ikke var nogen betydningsfulde sekvenshomologer blandt manuelt gennemgåede proteiner.

Agenten hentede derefter kandidatens forudsagte 3D-model fra AlphaFold Protein Structure Database, søgte med Foldseek efter fjernt beslægtede homologer blandt eksperimentelt bestemte strukturer og lagde modellerne oven på hinanden for at vurdere ligheden. DeepMind oplyste, at de strukturelle data understøttede ProtNLM’s forudsigelse, fordi kandidatens foldning viste sig at ligne en eksperimentelt bestemt bakteriocin meget. Ved at undersøge generne omkring kandidaten fandt agenten, at den lå 6 basepar opstrøms for et tæt koblet operon, der indeholder en permease i en ABC-transporter og dens mulige partnerprotein, et ATP-bindende protein. I nærheden lå også en anden annoteret bakteriocin og en XRE-transkriptionsregulator. Ifølge indlægget er dette mønster stærke kontekstuelle tegn på, at kandidaten indgår i et fungerende bakteriocinsystem.

På baggrund af eksisterende forskningslitteratur foreslog agenten ifølge indlægget en virkningsmekanisme, der retter sig mod bakteriers celledeling, samt et forventet styrkespektrum, der omfatter flere lægemiddelresistente patogener. Agenten omsatte derefter sine in silico-resultater til en laboratorieprotokol, der omfattede proteinekspression, test af antimikrobiel følsomhed, undersøgelse af målproteinbinding og in vitro-toksicitetstest. DeepMind beskriver kandidaten som en biologisk plausibel hovedkandidat, der understøttes af strukturelle og genomiske data, men stadig kræver validering i laboratoriet.

Biomolecular Structure Viewer indbygget i Antigravity

Sideløbende med gennemgangen præsenterede DeepMind Biomolecular Structure Viewer, et 3D-visualiseringsværktøj, der er integreret direkte i Antigravity, og som giver forskeren og agenten en fælles visuel tilstand. Når agenten henter strukturer fra AlphaFold Database eller forskerens egne forudsigelser, kan den styre fremviseren dynamisk og fremhæve vigtige funktionelle områder for at forklare sine hypoteser visuelt. Informationsstrømmen går begge veje: Handlinger som at fremhæve bestemte rester eller fastgøre noter direkte på en bindingslomme synkroniseres tilbage til agenten. Indlægget nævner som eksempel en forsker, der markerer et interesseområde i 3D-rummet og spørger, hvordan en β-streng kan påvirke bindingen til Lipid II. Det gør det muligt for agenten at ræsonnere ud fra netop den strukturelle kontekst, forskeren ser på.

Antigravitys videnskabsplatform og adgangsprogram

På Antigravitys videnskabsside står der, at tilpasninger gør det muligt at udstyre agenter med domænespecifikke plugins, færdigheder, underagenter og hooks til arbejde på tværs af mere end 30 store databaser inden for biovidenskab, herunder 1 PB AlphaGenome Atlas, UniProt, PubChem og ChEMBL. Science-pluginet kan installeres med ét klik fra markedspladsen for tilpasninger i appen. Ifølge siden kan forskere forespørge direkte på Google DeepMinds førende modeller og databaser som AlphaGenome, AlphaFold-databasen og Atlas i forskningsarbejdsområdet, og de kan udarbejde publikationsklare strukturelle 3D-renderinger i PyMOL, reproducerbare analysescripts og verificerbare videnskabelige artefakter. Siden henviser til et open source-arkiv med tilpasninger på GitHub, oplyser, at appen findes til stationære computere med macOS, Windows, Linux og Googlebook, og fortæller, at Google giver 10.000 forskere gratis adgang til Gemini 4 Argon i Antigravity på det højeste forbrugsniveau.

DeepMind beskriver Antigravity som en arbejdsplatform for agentbaseret forskning, der samler det, som tidligere var en fragmenteret søgning på tværs af flere databaser, i én enkelt session. DeepMind sagde, at forskere kan føre den demonstrerede samtale i nye retninger, for eksempel ved at tilføje nye filtreringskriterier, undersøge forskellige sekvenslængder eller rette søgningen mod andre prioriterede patogener og dermed udvide den fra humane kommensaler til miljømikrober. Kandidaten, der blev fremhævet i gennemgangen, samt flere andre, der blev fundet ved hjælp af den samme arbejdsgang, er ved at blive valideret i laboratoriet. DeepMind sagde, at de eksperimentelle resultater bliver den endelige prøve på agentens analyse.