Google DeepMind détaille la découverte d’un peptide antimicrobien

Le 15 octobre 2026, Google DeepMind a publié un tutoriel technique détaillé dans lequel des biologistes ont utilisé Google Antigravity, sa plateforme de développement à agents, pour identifier un nouveau peptide antimicrobien candidat chez Streptococcus pseudopneumoniae. L’entreprise a indiqué que ce candidat prometteur était en cours de validation en laboratoire.

Rédigé par Pengfei Tian, Maxwell L Bileschi, Zoi Tsangalidou, Sukhdeep Singh et Lucy J. Colwell, le tutoriel replace ces travaux dans le contexte de la progression de la résistance aux antimicrobiens, qui, selon l’article, pourrait entraîner environ 10 millions de décès par an dans le monde d’ici 2050. Il présente les peptides antimicrobiens, et notamment les bactériocines, comme une solution de remplacement prometteuse aux antibiotiques classiques, car ils ont évolué naturellement pour cibler des vulnérabilités fondamentales des bactéries concurrentes, de leur enveloppe cellulaire à leur machinerie intracellulaire essentielle. Selon l’article, le séquençage génomique et métagénomique a permis d’alimenter les bases de données mondiales avec des milliards de séquences naturelles d’acides aminés. Cet ensemble de données a donné lieu à des bactériocines largement utilisées, comme la nisine, ainsi qu’à des découvertes issues de l’exploration des génomes, notamment la darobactine, la dynobactine et la lariocidine, tandis que des millions de séquences de la base de données UniProt restent sans caractérisation fonctionnelle. Google a développé ProtNLM (Protein Natural Language Model), un modèle d’apprentissage profond que l’article décrit comme ayant été entraîné à prédire la fonction biologique directement à partir de séquences brutes d’acides aminés. DeepMind a indiqué avoir enrichi des millions d’entrées UniProt auparavant non nommées en leur attribuant des étiquettes fonctionnelles très fiables.

De la recherche dans UniProt à un candidat identifié par calcul

Dans le tutoriel, le chercheur et l’agent d’IA commencent par se fixer un objectif biologique précis : trouver et valider par calcul de nouveaux peptides antimicrobiens chez Streptococcus pseudopneumoniae. Au cours d’une session interactive en plusieurs échanges, le chercheur oriente la stratégie scientifique, en décidant des questions à poser et des éléments de preuve à recueillir, tandis que l’agent prend en charge la coordination des recherches dans plusieurs bases de données, l’analyse structurelle et la synthèse de la littérature scientifique. Les captures d’écran de l’interface présentées dans l’article montrent que la session s’est déroulée avec le modèle Gemini 3.8 Flash sélectionné dans l’interface Antigravity.

L’agent a interrogé UniProt et réduit des millions d’entrées à une liste restreinte de candidats. Il a identifié une bactériocine portant l’identifiant UniProt A0A0U0D591, un peptide de 97 acides aminés appartenant à la famille des lactococcines 972. Selon l’article, ce candidat aurait une activité prédite contre les agents pathogènes impliqués dans les infections des voies respiratoires. Pour vérifier son caractère inédit, le chercheur a demandé à l’agent de comparer le candidat aux protéines Swiss-Prot sélectionnées manuellement, par l’intermédiaire du service EMBL-EBI NCBI-BLAST. Le tutoriel indique que cette vérification a confirmé l’absence d’homologue de séquence significatif parmi les protéines examinées manuellement.

L’agent a ensuite récupéré le modèle 3D prédit du candidat dans la base de données des structures protéiques AlphaFold, puis effectué une recherche avec Foldseek dans des structures déterminées expérimentalement afin d’identifier des homologues éloignés et de superposer les modèles pour en évaluer la similarité. DeepMind a indiqué que ces éléments structurels corroboraient la prédiction de ProtNLM : le repliement du candidat correspond étroitement à celui d’une bactériocine dont la structure a été déterminée expérimentalement. En examinant les gènes voisins, l’agent a constaté que le candidat se trouvait 6 paires de bases en amont d’un opéron étroitement associé, qui contient une perméase de transporteur ABC et la protéine de liaison à l’ATP susceptible de lui être associée, ainsi qu’une autre bactériocine annotée et un régulateur transcriptionnel XRE. Selon l’article, cette configuration constitue un indice contextuel solide que le candidat fait partie d’un système de bactériocine fonctionnel.

Après avoir examiné la littérature existante, l’agent a proposé, selon l’article, un mécanisme d’action ciblant la division bactérienne ainsi qu’un spectre d’activité prédit couvrant plusieurs agents pathogènes résistants aux médicaments. Il a ensuite traduit ses résultats in silico en un protocole expérimental comprenant l’expression de la protéine, des tests de sensibilité aux antimicrobiens, l’étude de l’engagement de la cible et des tests de toxicité in vitro. DeepMind décrit ce candidat comme une piste biologiquement plausible, étayée par des données structurelles et génomiques, mais qui doit encore être validée en laboratoire.

Biomolecular Structure Viewer intégré à Antigravity

En complément du tutoriel, DeepMind a présenté le Biomolecular Structure Viewer, un outil de visualisation 3D intégré directement à Antigravity, qui offre au chercheur et à l’agent une représentation visuelle commune. Lorsque l’agent récupère des structures dans la base de données AlphaFold ou utilise les propres prédictions du scientifique, il peut piloter le visualiseur de manière dynamique et mettre en évidence des régions fonctionnelles clés pour illustrer visuellement ses hypothèses. Les échanges se font dans les deux sens : des actions comme la mise en évidence de résidus précis ou l’épinglage de notes directement sur une poche de liaison sont synchronisées avec l’agent. L’article donne l’exemple d’un chercheur qui marque une région d’intérêt dans l’espace 3D, puis demande comment un brin β pourrait influer sur la liaison au Lipid II. L’agent peut ainsi raisonner à partir du contexte structurel exact que le scientifique est en train d’observer.

Plateforme scientifique Antigravity et programme d’accès

La page scientifique d’Antigravity indique que les personnalisations des agents leur fournissent des modules d’extension, des compétences, des sous-agents et des hooks spécialisés pour travailler avec plus de 30 grandes bases de données des sciences de la vie, notamment l’Atlas AlphaGenome de 1 PB, UniProt, PubChem et ChEMBL. Le module d’extension Science peut être installé en un clic depuis la place de marché des personnalisations intégrée à l’application. Selon cette page, les chercheurs peuvent interroger directement les modèles de pointe et les bases de données de Google DeepMind, comme AlphaGenome, l’AlphaFold Database et Atlas, depuis l’espace de travail de recherche, et produire des rendus structurels 3D avec PyMOL prêts à être publiés, des scripts d’analyse reproductibles et des résultats scientifiques vérifiables. La page renvoie à un dépôt de personnalisations open source sur GitHub, indique que l’application de bureau est disponible sur macOS, Windows, Linux et Googlebook, et précise que Google offre à 10 000 scientifiques un accès gratuit à Gemini 4 Argon dans Antigravity, au niveau d’utilisation le plus élevé.

DeepMind présente Antigravity comme un environnement de travail scientifique fondé sur des agents, qui regroupe en une seule session ce qui nécessitait auparavant des recherches fragmentées dans plusieurs bases de données. L’entreprise a indiqué que les chercheurs peuvent explorer de nouvelles pistes à partir de la conversation présentée, par exemple en ajoutant de nouveaux critères de filtrage, en examinant différentes longueurs de séquence ou en ciblant d’autres agents pathogènes prioritaires, et ainsi élargir la recherche des commensaux humains aux microbes environnementaux. Le candidat présenté dans la démonstration, ainsi que plusieurs autres découverts au moyen du même processus, fait l’objet d’une validation en laboratoire. DeepMind a précisé que les résultats expérimentaux constitueront le test ultime de l’analyse de l’agent.