Google DeepMind illustra la scoperta di peptidi antimicrobici

Il 15 ottobre 2026 Google DeepMind ha pubblicato un approfondimento tecnico in cui alcuni biologi hanno utilizzato Google Antigravity, la sua piattaforma di sviluppo basata su agenti, per identificare un nuovo peptide antimicrobico candidato in Streptococcus pseudopneumoniae; l’azienda ha dichiarato che il candidato principale è sottoposto a validazione sperimentale in laboratorio.

L’approfondimento, a cura di Pengfei Tian, Maxwell L Bileschi, Zoi Tsangalidou, Sukhdeep Singh e Lucy J. Colwell, inquadra il lavoro nel contesto della crescente resistenza antimicrobica, che, secondo l’articolo, potrebbe causare circa 10 milioni di morti all’anno nel mondo entro il 2050. Presenta i peptidi antimicrobici, in particolare le batteriocine, come una promettente alternativa agli antibiotici tradizionali, poiché si sono evoluti naturalmente per colpire vulnerabilità fondamentali dei batteri concorrenti, dagli involucri cellulari ai macchinari intracellulari essenziali. Secondo l’articolo, il sequenziamento genomico e metagenomico ha arricchito i database globali con miliardi di sequenze naturali di amminoacidi; da questo insieme provengono batteriocine ampiamente utilizzate, come la Nisin, e scoperte ottenute tramite analisi dei genomi, tra cui Darobactin, Dynobactin e Lariocidin, mentre milioni di sequenze nel database UniProt restano prive di una caratterizzazione funzionale. Google ha sviluppato ProtNLM (Modello linguistico naturale per le proteine), che l’articolo descrive come un modello di deep learning addestrato per prevedere la funzione biologica direttamente dalle sequenze grezze di amminoacidi; DeepMind ha dichiarato di aver arricchito milioni di voci UniProt precedentemente senza nome con annotazioni funzionali ad alto livello di affidabilità.

Dalla ricerca in UniProt a un candidato computazionale

Nell’approfondimento, il ricercatore e l’agente IA partono da un obiettivo biologico preciso: individuare e convalidare computazionalmente nuovi peptidi antimicrobici in Streptococcus pseudopneumoniae. Nel corso di una sessione interattiva articolata in più turni, il ricercatore orienta la strategia scientifica, decidendo quali domande porre e quali prove raccogliere, mentre l’agente si occupa del coordinamento tra database, dell’analisi strutturale e della sintesi della letteratura. Le schermate dell’interfaccia riportate nell’articolo mostrano la sessione con il modello Gemini 3.8 Flash selezionato nell’interfaccia di Antigravity.

L’agente ha interrogato UniProt e ridotto milioni di voci a un elenco ristretto di candidati, individuando una batteriocina con ID UniProt A0A0U0D591, un peptide di 97 amminoacidi appartenente alla famiglia Lactococcin 972. Secondo l’articolo, il candidato presenta un’attività prevista contro i patogeni responsabili delle infezioni delle vie respiratorie. Per verificarne la novità, il ricercatore ha chiesto all’agente di confrontare il candidato con le proteine Swiss-Prot curate, tramite il servizio EMBL-EBI NCBI-BLAST; l’approfondimento riferisce che la verifica ha confermato l’assenza di omologhi di sequenza significativi tra le proteine revisionate manualmente.

L’agente ha quindi recuperato il modello 3D previsto del candidato dal database AlphaFold Protein Structure Database, eseguito una ricerca Foldseek contro strutture determinate sperimentalmente per individuare omologhi remoti e sovrapposto i modelli per valutarne la somiglianza. DeepMind ha dichiarato che le prove strutturali corroborano la previsione di ProtNLM, mostrando che il ripiegamento del candidato corrisponde da vicino a quello di una batteriocina determinata sperimentalmente. Esaminando i geni fiancheggianti, l’agente ha rilevato che il candidato si trova 6 paia di basi a monte di un operone strettamente accoppiato, contenente una permeasi di un trasportatore ABC e la sua potenziale proteina partner che lega ATP, insieme a un’altra batteriocina annotata e a un regolatore trascrizionale XRE; secondo l’articolo, questo schema costituisce una forte prova contestuale del fatto che il candidato faccia parte di un sistema di batteriocine funzionante.

Dall’esame della letteratura esistente, l’agente ha proposto, secondo l’articolo, un meccanismo d’azione che colpisce la divisione cellulare batterica e uno spettro di potenza previsto esteso a diversi patogeni resistenti ai farmaci. Ha poi tradotto i risultati ottenuti in silico in un protocollo di laboratorio che comprende l’espressione proteica, i test di sensibilità antimicrobica, la verifica dell’interazione con il bersaglio e i test di tossicità in vitro. DeepMind descrive il candidato come una molecola guida biologicamente plausibile, sostenuta da prove strutturali e genomiche, che necessita ancora di validazione sperimentale in laboratorio.

Visualizzatore di strutture biomolecolari integrato in Antigravity

Insieme all’approfondimento, DeepMind ha presentato Biomolecular Structure Viewer, uno strumento di visualizzazione 3D integrato direttamente in Antigravity che offre al ricercatore e all’agente una rappresentazione visiva condivisa. Quando l’agente recupera strutture dal database AlphaFold o le previsioni dello scienziato, può controllare dinamicamente il visualizzatore, evidenziando le regioni funzionali chiave per illustrare visivamente le proprie ipotesi. La condivisione delle informazioni avviene in entrambe le direzioni: azioni come evidenziare specifici residui o fissare note direttamente su una tasca di legame vengono sincronizzate con l’agente. L’articolo cita l’esempio di un ricercatore che contrassegna una regione d’interesse nello spazio 3D e chiede in che modo un filamento β potrebbe influire sul legame con Lipid II, consentendo all’agente di ragionare sul contesto strutturale preciso che lo scienziato sta osservando.

Piattaforma scientifica Antigravity e programma di accesso

La pagina scientifica di Antigravity spiega che le personalizzazioni degli agenti li dotano di plug-in, competenze, sottoagenti e hook specifici per il dominio, per lavorare con oltre 30 importanti database di scienze della vita, tra cui l’Atlas AlphaGenome da 1 PB, UniProt, PubChem e ChEMBL. Il plug-in Science può essere installato con un solo clic dal marketplace Customizations integrato nell’app. Secondo la pagina, i ricercatori possono interrogare direttamente i modelli di frontiera di Google DeepMind e database come AlphaGenome, AlphaFold Database e Atlas all’interno dell’ambiente di ricerca, nonché produrre rendering strutturali 3D con PyMOL pronti per la pubblicazione, script di analisi riproducibili e risultati scientifici verificabili. La pagina rimanda a un repository open source di personalizzazioni su GitHub, indica che la versione desktop è disponibile per macOS, Windows, Linux e Googlebook e afferma che Google offre a 10.000 scienziati l’accesso gratuito a Gemini 4 Argon in Antigravity al livello di utilizzo più elevato.

DeepMind descrive Antigravity come un ambiente di lavoro scientifico basato su agenti, capace di condensare in un’unica sessione quella che prima era una ricerca frammentata tra più database, e ha affermato che i ricercatori possono sviluppare la conversazione mostrata nella dimostrazione in nuove direzioni, per esempio aggiungendo nuovi criteri di filtraggio, esplorando sequenze di lunghezza diversa o concentrandosi su altri patogeni prioritari, ampliando la ricerca dai commensali umani ai microbi ambientali. Il candidato presentato nella dimostrazione, insieme a diversi altri individuati tramite lo stesso processo, è in fase di validazione in laboratorio; DeepMind ha dichiarato che i risultati sperimentali costituiranno la prova definitiva dell’analisi dell’agente.