Google DeepMind gibt Einblick in die Entdeckung antimikrobieller Peptide

Google DeepMind veröffentlichte am 15. Oktober 2026 eine technische Schritt-für-Schritt-Darstellung, in der Biologen mithilfe von Google Antigravity, seiner agentenbasierten Entwicklungsplattform, einen neuartigen Kandidaten für ein antimikrobielles Peptid in Streptococcus pseudopneumoniae identifizierten. Das Unternehmen teilte mit, dass der Leitkandidat derzeit im Labor überprüft wird.

Die von Pengfei Tian, Maxwell L Bileschi, Zoi Tsangalidou, Sukhdeep Singh und Lucy J. Colwell verfasste Darstellung ordnet die Arbeit vor dem Hintergrund der zunehmenden Antibiotikaresistenz ein, die laut dem Beitrag bis 2050 weltweit schätzungsweise 10 Millionen Todesfälle pro Jahr verursachen könnte. Antimikrobielle Peptide, insbesondere Bakteriozine, werden als vielversprechende Alternative zu herkömmlichen Antibiotika vorgestellt, da sie sich auf natürliche Weise entwickelt haben, um grundlegende Schwachstellen konkurrierender Bakterien anzugreifen – von der Zellhülle bis hin zu essenziellen intrazellulären Strukturen. Dem Beitrag zufolge hat die Genom- und Metagenomsequenzierung globale Datenbanken mit Milliarden natürlicher Aminosäuresequenzen gefüllt. Aus diesem Bestand gingen weitverbreitete Bakteriozine wie Nisin ebenso hervor wie durch Genom-Mining entdeckte Substanzen, darunter Darobactin, Dynobactin und Lariocidin; Millionen von Sequenzen in der UniProt-Datenbank sind jedoch funktionell noch nicht charakterisiert. Google entwickelte ProtNLM (Protein Natural Language Model), ein laut dem Beitrag auf Deep Learning basierendes Modell, das darauf trainiert wurde, die biologische Funktion direkt aus unverarbeiteten Aminosäuresequenzen vorherzusagen. DeepMind zufolge hat das Unternehmen Millionen zuvor nicht benannter UniProt-Einträge mit hochsicheren Funktionsangaben ergänzt.

Von der UniProt-Suche zum computergestützten Kandidaten

In der Darstellung beginnen der Forscher und der KI-Agent mit einem klar umrissenen biologischen Ziel: Sie wollen neuartige antimikrobielle Peptide in Streptococcus pseudopneumoniae finden und computergestützt validieren. In einer interaktiven Sitzung mit mehreren Gesprächsrunden gibt der Forscher die wissenschaftliche Strategie vor und entscheidet, welche Fragen gestellt und welche Belege gesammelt werden sollen. Der Agent übernimmt währenddessen die Koordination über mehrere Datenbanken hinweg, die Strukturanalyse und die Zusammenfassung der Fachliteratur. Auf den im Beitrag gezeigten Screenshots der Benutzeroberfläche ist zu sehen, dass für die Sitzung in der Antigravity-Oberfläche das Modell Gemini 3.8 Flash ausgewählt wurde.

Der Agent durchsuchte UniProt und filterte Millionen von Einträgen zu einer Auswahlliste möglicher Kandidaten. Dabei identifizierte er ein Bakteriozin mit der UniProt-ID A0A0U0D591 – ein 97 Aminosäuren langes Peptid aus der Lactococcin-972-Familie. Dem Beitrag zufolge wirkt der Kandidat den Vorhersagen nach gegen Krankheitserreger, die Atemwegsinfektionen verursachen. Um die Neuartigkeit zu überprüfen, wies der Forscher den Agenten an, den Kandidaten mithilfe des EMBL-EBI-Dienstes NCBI-BLAST mit kuratierten Swiss-Prot-Proteinen abzugleichen. Laut der Darstellung bestätigte die Prüfung, dass es unter den manuell überprüften Proteinen keine bedeutende Sequenzhomologie gibt.

Anschließend rief der Agent das vorhergesagte 3D-Modell des Kandidaten aus der AlphaFold Protein Structure Database ab und suchte mit Foldseek nach entfernten Homologen in experimentell bestimmten Strukturen. Danach legte er die Modelle übereinander, um ihre Ähnlichkeit zu beurteilen. DeepMind zufolge bestätigten die strukturellen Befunde die Vorhersage von ProtNLM: Die Faltung des Kandidaten stimmt weitgehend mit der eines experimentell bestimmten Bakteriozins überein. Bei der Untersuchung der flankierenden Gene stellte der Agent fest, dass der Kandidat 6 Basenpaare vor einem eng gekoppelten Operon liegt. Dieses enthält eine Permease eines ABC-Transporters und das dazugehörige mögliche ATP-bindende Protein sowie ein weiteres annotiertes Bakteriozin und einen XRE-Transkriptionsregulator. Der Beitrag beschreibt dieses Muster als starken kontextuellen Beleg dafür, dass der Kandidat Teil eines funktionsfähigen Bakteriozinsystems ist.

Nach einer Sichtung der vorhandenen Fachliteratur schlug der Agent laut dem Beitrag einen Wirkmechanismus vor, der auf die bakterielle Zellteilung abzielt, sowie ein vorhergesagtes Wirkspektrum gegen mehrere arzneimittelresistente Krankheitserreger. Anschließend überführte der Agent seine In-silico-Ergebnisse in ein Laborprotokoll, das Proteinexpression, antimikrobielle Empfindlichkeitstests, Zielinteraktion und In-vitro-Toxizitätstests umfasst. DeepMind beschreibt den Kandidaten als biologisch plausiblen Leitkandidaten, für den strukturelle und genomische Belege vorliegen, der aber noch im Labor validiert werden muss.

In Antigravity integrierter Betrachter für biomolekulare Strukturen

Parallel zur Darstellung stellte DeepMind den Biomolecular Structure Viewer vor, ein direkt in Antigravity integriertes 3D-Visualisierungswerkzeug, das Forschern und Agenten eine gemeinsame visuelle Ansicht bietet. Wenn der Agent Strukturen aus der AlphaFold Database oder eigene Vorhersagen des Wissenschaftlers abruft, kann er den Betrachter dynamisch steuern und wichtige Funktionsbereiche hervorheben, um seine Hypothesen anschaulich zu erläutern. Der Informationsfluss funktioniert in beide Richtungen: Aktionen wie das Hervorheben bestimmter Reste oder das Anheften von Notizen direkt an eine Bindungstasche werden mit dem Agenten synchronisiert. Als Beispiel nennt der Beitrag einen Forscher, der in einem dreidimensionalen Raum einen interessierenden Bereich markiert und fragt, wie sich ein β-Strang auf die Bindung an Lipid II auswirken könnte. So kann der Agent seine Überlegungen auf den konkreten Strukturkontext stützen, den der Wissenschaftler gerade betrachtet.

Antigravity-Wissenschaftsplattform und Zugangsprogramm

Auf der Wissenschaftsseite von Antigravity heißt es, dass Agentenanpassungen Agenten mit domänenspezifischen Plugins, Skills, Subagenten und Hooks für die Arbeit mit mehr als 30 wichtigen Datenbanken der Lebenswissenschaften ausstatten. Dazu gehören das 1-PB-AlphaGenome-Atlas, UniProt, PubChem und ChEMBL. Das Science-Plugin lässt sich mit einem Klick über den Anpassungs-Marktplatz in der App installieren. Laut der Seite können Forschende im Forschungsarbeitsbereich direkt führende Modelle von Google DeepMind und Datenbanken wie AlphaGenome, die AlphaFold Database und Atlas abfragen. Außerdem können sie publikationsreife strukturelle 3D-Visualisierungen in PyMOL, reproduzierbare Analyseskripte und überprüfbare wissenschaftliche Artefakte erstellen. Die Seite verweist auf ein Open-Source-Repository für Anpassungen auf GitHub, nennt macOS, Windows, Linux und Googlebook als verfügbare Desktop-Plattformen und erklärt, dass Google 10.000 Wissenschaftlerinnen und Wissenschaftlern in Antigravity kostenlos Zugang zu Gemini 4 Argon auf der höchsten Nutzungsstufe gewährt.

DeepMind beschreibt Antigravity als agentengestützte wissenschaftliche Arbeitsumgebung, die eine zuvor auf mehrere Datenbanken verteilte Suche zu einer einzigen Sitzung zusammenfasst. Das Unternehmen erklärte, Forschende könnten das vorgestellte Gespräch in neue Richtungen lenken, etwa indem sie zusätzliche Filterkriterien einbeziehen, andere Sequenzlängen untersuchen oder weitere prioritäre Krankheitserreger ins Visier nehmen und die Suche so von menschlichen Kommensalen auf Umweltmikroben ausweiten. Der im Rundgang vorgestellte Kandidat befindet sich zusammen mit mehreren weiteren, die über dieselbe Pipeline entdeckt wurden, in der experimentellen Validierung im Labor. DeepMind zufolge werden die Versuchsergebnisse die endgültige Prüfung der Analyse des Agenten sein.