Google DeepMind detalla el descubrimiento de péptidos antimicrobianos

El 15 de octubre de 2026, Google DeepMind publicó un recorrido técnico en el que biólogos utilizaron Google Antigravity, su plataforma de desarrollo basada en agentes, para identificar un nuevo candidato a péptido antimicrobiano en Streptococcus pseudopneumoniae. La empresa afirmó que el candidato principal está siendo sometido a validación experimental en laboratorio.

El recorrido, escrito por Pengfei Tian, Maxwell L Bileschi, Zoi Tsangalidou, Sukhdeep Singh y Lucy J. Colwell, sitúa el trabajo en el contexto del aumento de la resistencia a los antimicrobianos, que, según la publicación, podría causar una cifra estimada de 10 millones de muertes anuales en todo el mundo para 2050. Presenta los péptidos antimicrobianos, en particular las bacteriocinas, como una alternativa prometedora a los antibióticos tradicionales, porque han evolucionado de forma natural para atacar vulnerabilidades fundamentales de las bacterias competidoras, desde sus envolturas celulares hasta la maquinaria intracelular esencial. Según la publicación, la secuenciación genómica y metagenómica ha incorporado miles de millones de secuencias naturales de aminoácidos a las bases de datos mundiales. Este conjunto de datos ha dado lugar a bacteriocinas de uso extendido, como la nisina, y a descubrimientos mediante minería de genomas, entre ellos Darobactin, Dynobactin y Lariocidin, mientras que millones de secuencias de la base de datos UniProt siguen sin caracterizarse funcionalmente. Google desarrolló ProtNLM (Protein Natural Language Model), que la publicación describe como un modelo de aprendizaje profundo entrenado para predecir la función biológica directamente a partir de secuencias de aminoácidos sin procesar; DeepMind afirmó que ha enriquecido millones de entradas de UniProt que antes no tenían nombre con etiquetas funcionales de alto nivel de confianza.

De la búsqueda en UniProt a un candidato computacional

En el recorrido, el investigador y el agente de IA parten de un objetivo biológico concreto: encontrar y validar computacionalmente nuevos péptidos antimicrobianos en Streptococcus pseudopneumoniae. Durante una sesión interactiva de varios turnos, el investigador dirige la estrategia científica y decide qué preguntas plantear y qué pruebas recopilar, mientras que el agente se ocupa de coordinar consultas en distintas bases de datos, analizar estructuras y sintetizar la bibliografía. Las capturas de pantalla de la publicación muestran la sesión con el modelo Gemini 3.8 Flash seleccionado en la interfaz de Antigravity.

El agente consultó UniProt y redujo millones de entradas a una lista breve de candidatos. Entre ellos identificó una bacteriocina con el ID de UniProt A0A0U0D591, un péptido de 97 aminoácidos perteneciente a la familia Lactococcin 972. Según la publicación, se prevé que el candidato tenga actividad contra los patógenos implicados en las infecciones de las vías respiratorias. Para verificar que fuera novedoso, el investigador pidió al agente que lo contrastara con proteínas Swiss-Prot curadas mediante el servicio NCBI-BLAST de EMBL-EBI. El recorrido informa que la comprobación confirmó que no había homólogos de secuencia significativos entre las proteínas revisadas manualmente.

A continuación, el agente recuperó el modelo tridimensional predicho del candidato de la base de datos AlphaFold Protein Structure Database, realizó una búsqueda con Foldseek frente a estructuras determinadas experimentalmente para identificar homólogos lejanos y superpuso los modelos para evaluar su similitud. DeepMind afirmó que las pruebas estructurales corroboraban la predicción de ProtNLM, pues mostraban que el plegamiento del candidato se asemeja mucho al de una bacteriocina determinada experimentalmente. Al inspeccionar los genes flanqueantes, el agente encontró que el candidato estaba situado 6 pares de bases aguas arriba de un operón estrechamente acoplado que contiene una permeasa de un transportador ABC y su posible proteína asociada de unión a ATP, junto con otra bacteriocina anotada y un regulador transcripcional XRE. La publicación describe este patrón como una sólida prueba contextual de que el candidato forma parte de un sistema de bacteriocinas funcional.

Tras revisar la bibliografía existente, el agente propuso, según la publicación, un mecanismo de acción dirigido a la división celular bacteriana y un espectro de potencia previsto que abarca varios patógenos resistentes a los fármacos. Después, el agente convirtió sus hallazgos in silico en un protocolo de laboratorio que incluye expresión de proteínas, pruebas de susceptibilidad a los antimicrobianos, evaluación de la interacción con la diana y pruebas de toxicidad in vitro. DeepMind describe al candidato como una opción prometedora biológicamente plausible, respaldada por pruebas estructurales y genómicas, que aún requiere validación experimental en laboratorio.

Biomolecular Structure Viewer integrado en Antigravity

Junto con el recorrido, DeepMind presentó Biomolecular Structure Viewer, una herramienta de visualización tridimensional integrada directamente en Antigravity que proporciona al investigador y al agente una representación visual compartida. Cuando el agente recupera estructuras de la base de datos AlphaFold o predicciones del propio científico, puede controlar dinámicamente el visor y resaltar regiones funcionales clave para explicar visualmente sus hipótesis. La sincronización funciona en ambos sentidos: acciones como resaltar residuos específicos o fijar notas directamente en un bolsillo de unión se transmiten de vuelta al agente. La publicación pone como ejemplo a un investigador que marca una región de interés en el espacio tridimensional y pregunta cómo podría afectar una cadena β a la unión de Lipid II; así, el agente puede razonar a partir del contexto estructural exacto que está viendo el científico.

Plataforma científica y programa de acceso de Antigravity

La página de ciencias de Antigravity indica que las personalizaciones de agentes los equipan con complementos, habilidades, subagentes y hooks específicos de cada ámbito para trabajar con más de 30 importantes bases de datos de ciencias de la vida, entre ellas el Atlas AlphaGenome de 1 PB, UniProt, PubChem y ChEMBL. El complemento Science se puede instalar con un solo clic desde el mercado de personalizaciones integrado en la aplicación. Según la página, los investigadores pueden consultar directamente los modelos de vanguardia de Google DeepMind y bases de datos como AlphaGenome, la base de datos AlphaFold y Atlas desde el espacio de trabajo de investigación, y generar representaciones estructurales en 3D con PyMOL listas para su publicación, scripts de análisis reproducibles y resultados científicos verificables. La página enlaza a un repositorio de personalizaciones de código abierto en GitHub, indica que la aplicación de escritorio está disponible para macOS, Windows, Linux y Googlebook, y señala que Google ofrece a 10.000 científicos acceso gratuito a Gemini 4 Argon en Antigravity con el nivel de uso más alto.

DeepMind describe Antigravity como un entorno de trabajo científico basado en agentes que condensa en una sola sesión lo que antes era una búsqueda fragmentada en múltiples bases de datos, y afirmó que los investigadores pueden llevar la conversación de la demostración en nuevas direcciones, por ejemplo, incorporando nuevos criterios de filtrado, explorando distintas longitudes de secuencia o centrándose en otros patógenos prioritarios, y ampliando la búsqueda de los microorganismos comensales humanos a los microbios ambientales. El candidato destacado en la demostración, junto con varios otros descubiertos mediante el mismo proceso, se encuentra en fase de validación en laboratorio húmedo, donde, según DeepMind, los resultados experimentales serán la prueba definitiva del análisis del agente.