Google DeepMind Menguraikan Penemuan Peptida Antimikroba

Pada 15 Oktober 2026, Google DeepMind menerbitkan panduan teknis yang menguraikan cara para ahli biologi menggunakan Google Antigravity, platform pengembangan berbasis agen miliknya, untuk mengidentifikasi kandidat peptida antimikroba baru pada Streptococcus pseudopneumoniae. Perusahaan menyatakan bahwa kandidat unggulan tersebut sedang menjalani validasi di laboratorium basah.

Panduan yang ditulis oleh Pengfei Tian, Maxwell L Bileschi, Zoi Tsangalidou, Sukhdeep Singh, dan Lucy J. Colwell ini mengaitkan penelitian tersebut dengan meningkatnya resistansi antimikroba. Menurut artikel itu, resistansi ini dapat menyebabkan sekitar 10 juta kematian per tahun di seluruh dunia pada 2050. Artikel tersebut menyebut peptida antimikroba, khususnya bakteriosin, sebagai alternatif yang menjanjikan untuk antibiotik tradisional karena peptida ini berevolusi secara alami untuk menyasar titik-titik lemah mendasar pada bakteri pesaing, mulai dari selubung sel hingga mesin intraseluler yang esensial. Menurut artikel itu, pengurutan genom dan metagenom telah menghimpun miliaran sekuens asam amino alami dalam basis data global. Kumpulan sekuens ini telah menghasilkan bakteriosin yang banyak digunakan, seperti Nisin, serta temuan melalui penambangan genom, termasuk Darobactin, Dynobactin, dan Lariocidin. Namun, jutaan sekuens dalam basis data UniProt masih belum diketahui fungsinya. Google mengembangkan ProtNLM (Protein Natural Language Model), yang dijelaskan dalam artikel itu sebagai model pembelajaran mendalam yang dilatih untuk memprediksi fungsi biologis secara langsung dari sekuens asam amino mentah. DeepMind menyatakan bahwa model tersebut telah menambahkan label fungsi dengan tingkat keyakinan tinggi pada jutaan entri UniProt yang sebelumnya belum diberi nama.

Dari Penelusuran UniProt hingga Kandidat Komputasional

Dalam panduan tersebut, peneliti dan agen AI memulai dengan tujuan biologis yang terarah: menemukan dan memvalidasi secara komputasional peptida antimikroba baru pada Streptococcus pseudopneumoniae. Dalam sesi interaktif yang berlangsung selama beberapa putaran, peneliti mengarahkan strategi ilmiah dengan menentukan pertanyaan yang akan diajukan dan bukti yang perlu dikumpulkan, sementara agen menangani orkestrasi lintas basis data, analisis struktural, dan sintesis literatur. Tangkapan layar antarmuka dalam artikel itu menunjukkan bahwa sesi tersebut berlangsung dengan model Gemini 3.8 Flash yang dipilih di antarmuka Antigravity.

Agen tersebut menelusuri UniProt dan menyaring jutaan entri hingga menghasilkan daftar pendek kandidat. Dari sana, agen mengidentifikasi bakteriosin dengan ID UniProt A0A0U0D591, yaitu peptida sepanjang 97 asam amino dari keluarga Lactococcin 972. Menurut artikel itu, kandidat tersebut diprediksi aktif terhadap patogen penyebab infeksi saluran pernapasan. Untuk memverifikasi kebaruan kandidat, peneliti mengarahkan agen agar membandingkannya dengan protein Swiss-Prot yang telah dikurasi melalui layanan EMBL-EBI NCBI-BLAST. Panduan tersebut melaporkan bahwa pemeriksaan itu memastikan tidak ada homolog sekuens yang bermakna di antara protein yang ditinjau secara manual.

Agen kemudian mengambil model 3D kandidat yang diprediksi dari AlphaFold Protein Structure Database, menjalankan pencarian Foldseek terhadap struktur yang ditentukan secara eksperimental untuk menemukan homolog jauh, lalu menumpangtindihkan model-model tersebut guna menilai kemiripannya. DeepMind menyatakan bahwa bukti struktural menguatkan prediksi ProtNLM karena lipatan kandidat itu sangat mirip dengan bakteriosin yang strukturnya telah ditentukan secara eksperimental. Saat memeriksa gen-gen di sekitarnya, agen menemukan bahwa kandidat tersebut terletak 6 pasangan basa di hulu operon yang saling terkait erat, yang mencakup permease transporter ABC dan protein pengikat ATP pasangannya yang mungkin, serta bakteriosin lain yang telah dianotasi dan regulator transkripsi XRE. Menurut artikel itu, pola tersebut merupakan bukti kontekstual yang kuat bahwa kandidat ini adalah bagian dari sistem bakteriosin yang berfungsi.

Berdasarkan tinjauan terhadap literatur yang ada, agen mengusulkan mekanisme kerja yang menyasar pembelahan sel bakteri serta spektrum potensi yang diprediksi mencakup beberapa patogen yang resistan terhadap obat, menurut artikel itu. Agen kemudian menerjemahkan temuan in silico menjadi protokol laboratorium yang mencakup ekspresi protein, pengujian kerentanan antimikroba, pengikatan target, dan pengujian toksisitas in vitro. DeepMind menggambarkan kandidat tersebut sebagai kandidat unggulan yang secara biologis masuk akal dan didukung bukti struktural serta genomik, tetapi masih memerlukan validasi di laboratorium basah.

Penampil Struktur Biomolekul yang Terintegrasi dalam Antigravity

Bersamaan dengan panduan tersebut, DeepMind memperkenalkan Biomolecular Structure Viewer, alat visualisasi 3D yang terintegrasi langsung ke dalam Antigravity dan memberikan peneliti serta agen tampilan visual bersama. Saat agen mengambil struktur dari AlphaFold Database atau prediksi milik ilmuwan sendiri, agen dapat mengendalikan penampil itu secara dinamis dan menyoroti wilayah fungsional utama untuk menjelaskan hipotesisnya secara visual. Informasi juga mengalir ke arah sebaliknya: tindakan seperti menyoroti residu tertentu atau menyematkan catatan langsung pada kantong pengikatan disinkronkan kembali dengan agen. Artikel itu mencontohkan seorang peneliti yang menandai wilayah yang diminati dalam ruang 3D, lalu menanyakan bagaimana untaian β dapat memengaruhi pengikatan Lipid II. Dengan demikian, agen dapat menalar berdasarkan konteks struktural persis seperti yang sedang dilihat ilmuwan.

Platform Sains Antigravity dan Program Akses

Halaman sains Antigravity menyebutkan bahwa penyesuaian agen membekali agen dengan plugin, keterampilan, subagen, dan hook khusus domain untuk bekerja di lebih dari 30 basis data utama ilmu hayati, termasuk AlphaGenome Atlas berukuran 1 PB, UniProt, PubChem, dan ChEMBL. Plugin Science dapat dipasang dengan sekali klik melalui marketplace Customizations di dalam aplikasi. Menurut halaman tersebut, peneliti dapat langsung mengajukan kueri ke model terdepan Google DeepMind dan basis data seperti AlphaGenome, AlphaFold Database, dan Atlas dari dalam ruang kerja penelitian, serta menghasilkan visualisasi struktur 3D PyMOL yang siap dipublikasikan, skrip analisis yang dapat direproduksi, dan artefak ilmiah yang dapat diverifikasi. Halaman itu merujuk ke repositori penyesuaian sumber terbuka di GitHub, mencantumkan ketersediaan desktop di macOS, Windows, Linux, dan Googlebook, serta menyatakan bahwa Google memberikan akses gratis ke Gemini 4 Argon di Antigravity kepada 10.000 ilmuwan dengan tingkat penggunaan tertinggi.

DeepMind menggambarkan Antigravity sebagai meja kerja sains berbasis agen yang memadatkan pencarian yang sebelumnya tersebar di berbagai basis data menjadi satu sesi. DeepMind menyatakan bahwa peneliti dapat mengembangkan percakapan yang ditampilkan ke arah baru, misalnya dengan menambahkan kriteria penyaringan baru, mengeksplorasi panjang sekuens yang berbeda, atau menyasar patogen prioritas lainnya, sehingga memperluas pencarian dari mikroba komensal manusia ke mikroba lingkungan. Kandidat yang ditampilkan dalam panduan, bersama beberapa kandidat lain yang ditemukan melalui alur kerja yang sama, sedang menjalani validasi laboratorium basah. DeepMind menyatakan bahwa hasil eksperimen akan menjadi ujian akhir bagi analisis agen tersebut.