Google DeepMinds gjennomgang beskriver oppdagelsen av antimikrobielle peptider

Google DeepMind publiserte 15. oktober 2026 en teknisk gjennomgang der biologer brukte Google Antigravity, selskapets agentbaserte utviklingsplattform, til å identifisere en ny kandidat til et antimikrobielt peptid i Streptococcus pseudopneumoniae. Selskapet opplyste at kandidaten nå gjennomgår validering i laboratoriet.

Gjennomgangen, skrevet av Pengfei Tian, Maxwell L Bileschi, Zoi Tsangalidou, Sukhdeep Singh og Lucy J. Colwell, setter arbeidet inn i en sammenheng med økende antimikrobiell resistens, som ifølge innlegget kan føre til anslagsvis 10 millioner dødsfall årlig på verdensbasis innen 2050. Antimikrobielle peptider, særlig bakteriociner, presenteres som et lovende alternativ til tradisjonelle antibiotika fordi de gjennom naturlig evolusjon har utviklet evnen til å angripe grunnleggende sårbarheter hos konkurrerende bakterier – fra cellehylsteret til livsviktig intracellulært maskineri. Ifølge innlegget har genom- og metagenomsekvensering fylt globale databaser med milliarder av naturlige aminosyresekvenser. Denne mengden har gitt opphav til mye brukte bakteriociner som Nisin, i tillegg til oppdagelser gjort ved genomgruvedrift, blant annet Darobactin, Dynobactin og Lariocidin. Samtidig er millioner av sekvenser i UniProt-databasen fortsatt ikke funksjonelt karakterisert. Google utviklet ProtNLM (Protein Natural Language Model), som innlegget beskriver som en dyp læringsmodell trent til å forutsi biologisk funksjon direkte ut fra rå aminosyresekvenser. DeepMind opplyste at modellen har beriket millioner av tidligere navnløse UniProt-oppføringer med funksjonelle merkelapper med høy grad av sikkerhet.

Fra søk i UniProt til en kandidat identifisert ved databehandling

I gjennomgangen starter forskeren og KI-agenten med et avgrenset biologisk mål: å finne og validere nye antimikrobielle peptider i Streptococcus pseudopneumoniae ved hjelp av databehandling. I en interaktiv samtale med flere runder styrer forskeren den vitenskapelige strategien ved å avgjøre hvilke spørsmål som skal stilles, og hvilke bevis som skal samles inn, mens agenten håndterer koordinering på tvers av databaser, strukturanalyse og sammenstilling av forskningslitteratur. Skjermbilder i innlegget viser at samtalen foregår med modellen Gemini 3.8 Flash valgt i Antigravity-grensesnittet.

Agenten søkte i UniProt og filtrerte millioner av oppføringer ned til en kortliste med kandidater. Der identifiserte den en bakteriocin med UniProt-ID A0A0U0D591, et peptid på 97 aminosyrer fra Lactococcin 972-familien. Ifølge innlegget er det forutsagt at kandidaten virker mot patogenene som er involvert i luftveisinfeksjoner. For å undersøke om den var ny, ba forskeren agenten søke etter kandidaten blant kuraterte Swiss-Prot-proteiner ved hjelp av tjenesten EMBL-EBI NCBI-BLAST. I gjennomgangen står det at kontrollen bekreftet at det ikke fantes noen meningsfull sekvenshomolog blant manuelt gjennomgåtte proteiner.

Agenten hentet deretter kandidatens forutsagte 3D-modell fra AlphaFold Protein Structure Database, søkte med Foldseek mot eksperimentelt bestemte strukturer for å finne fjerne homologer og la modellene over hverandre for å vurdere likheten. DeepMind opplyste at de strukturelle bevisene støttet ProtNLMs forutsigelse ved å vise at kandidatens foldstruktur ligner svært på en eksperimentelt bestemt bakteriocin. Da agenten undersøkte de flankerende genene, fant den kandidaten 6 basepar oppstrøms for et tett koblet operon som inneholder en permease i en ABC-transportør og et mulig tilhørende ATP-bindende protein, sammen med en annen annotert bakteriocin og en XRE-transkripsjonsregulator. Innlegget beskriver dette mønsteret som sterke kontekstuelle bevis for at kandidaten inngår i et fungerende bakteriocinsystem.

Etter å ha gjennomgått eksisterende litteratur foreslo agenten en virkningsmekanisme rettet mot bakterienes celledeling og et forventet styrkespekter som omfatter flere legemiddelresistente patogener, ifølge innlegget. Deretter omformet agenten funnene fra sine silikobaserte analyser til en laboratorieprotokoll som omfatter proteinekspresjon, testing av antimikrobiell følsomhet, testing av målengasjement og toksisitetstesting in vitro. DeepMind beskriver kandidaten som en biologisk plausibel kandidat støttet av strukturelle og genomiske bevis, men som fortsatt må valideres i laboratoriet.

Biomolecular Structure Viewer integrert i Antigravity

Sammen med gjennomgangen lanserte DeepMind Biomolecular Structure Viewer, et 3D-visualiseringsverktøy som er integrert direkte i Antigravity, og som gir forskeren og agenten en felles visuell tilstand. Når agenten henter strukturer fra AlphaFold Database eller fra forskerens egne forutsigelser, kan den styre visningsverktøyet dynamisk og fremheve viktige funksjonelle områder for å forklare hypotesene sine visuelt. Informasjonsflyten går begge veier: Handlinger som å fremheve bestemte rester eller feste notater direkte på en bindingslomme synkroniseres tilbake til agenten. Innlegget beskriver for eksempel hvordan en forsker markerer et interesseområde i 3D-rommet og spør hvordan en β-streng kan påvirke bindingen til Lipid II. Dermed kan agenten resonnere ut fra den nøyaktige strukturelle konteksten forskeren ser på.

Antigravitys vitenskapsplattform og tilgangsprogram

Antigravitys vitenskapsside opplyser at agenttilpasninger gir agentene domenespesifikke programtillegg, ferdigheter, underagenter og hooks for arbeid på tvers av mer enn 30 store databaser innen biovitenskap, deriblant AlphaGenome Atlas på 1 PB, UniProt, PubChem og ChEMBL. Science-programtillegget kan installeres med ett klikk fra tilpasningsmarkedet i appen. Ifølge siden kan forskere sende direkte forespørsler til Google DeepMinds mest avanserte modeller og databaser som AlphaGenome, AlphaFold Database og Atlas i forskningsarbeidsområdet, og lage publiseringsklare 3D-strukturgjengivelser i PyMOL, reproduserbare analyseskript og verifiserbare vitenskapelige artefakter. Siden viser til et åpen kildekode-depot for tilpasninger på GitHub, oppgir at skrivebordsversjonen er tilgjengelig for macOS, Windows, Linux og Googlebook, og sier at Google gir 10 000 forskere gratis tilgang til Gemini 4 Argon i Antigravity på det høyeste bruksnivået.

DeepMind beskriver Antigravity som et agentbasert arbeidsverktøy for vitenskapelig forskning som samler det som tidligere var et oppstykket søk på tvers av flere databaser, i én enkelt økt. Selskapet sa at forskere kan utforske samtalen som ble demonstrert, i nye retninger, for eksempel ved å legge til nye filtreringskriterier, undersøke ulike sekvenslengder eller rette søket mot andre prioriterte patogener, og dermed utvide søket fra humane kommensaler til miljømikrober. Kandidaten som ble trukket fram i gjennomgangen, sammen med flere andre som ble funnet med den samme arbeidsflyten, er til validering i laboratoriet. DeepMind sa at de eksperimentelle resultatene vil være den avgjørende testen av agentens analyse.