Detalhes da descoberta de peptídeos antimicrobianos em guia da Google DeepMind

Em 15 de outubro de 2026, a Google DeepMind publicou um guia técnico detalhado no qual biólogos usaram o Google Antigravity, sua plataforma de desenvolvimento baseada em agentes, para identificar um novo candidato a peptídeo antimicrobiano em Streptococcus pseudopneumoniae. A empresa afirmou que o candidato principal está passando por validação em laboratório.

O guia, de autoria de Pengfei Tian, Maxwell L Bileschi, Zoi Tsangalidou, Sukhdeep Singh e Lucy J. Colwell, contextualiza o trabalho diante do aumento da resistência antimicrobiana, que, segundo a publicação, poderia causar cerca de 10 milhões de mortes por ano no mundo até 2050. O texto apresenta os peptídeos antimicrobianos, especialmente as bacteriocinas, como uma alternativa promissora aos antibióticos tradicionais, pois evoluíram naturalmente para atacar vulnerabilidades fundamentais de bactérias concorrentes, desde os envoltórios celulares até componentes essenciais da maquinaria intracelular. De acordo com a publicação, o sequenciamento genômico e metagenômico abasteceu bancos de dados globais com bilhões de sequências naturais de aminoácidos. Esse conjunto de dados levou à identificação de bacteriocinas amplamente utilizadas, como a Nisin, além de descobertas feitas por mineração de genomas, entre elas Darobactin, Dynobactin e Lariocidin. Ainda assim, milhões de sequências do banco de dados UniProt continuam sem caracterização funcional. A Google desenvolveu o ProtNLM (Protein Natural Language Model), que a publicação descreve como um modelo de aprendizado profundo treinado para prever funções biológicas diretamente a partir de sequências brutas de aminoácidos. A DeepMind afirmou que o modelo acrescentou rótulos funcionais de alta confiança a milhões de entradas do UniProt que antes não tinham nome.

Da busca no UniProt a um candidato identificado por métodos computacionais

No guia, o pesquisador e o agente de IA começam com um objetivo biológico específico: encontrar e validar computacionalmente novos peptídeos antimicrobianos em Streptococcus pseudopneumoniae. Durante uma sessão interativa com várias etapas, o pesquisador conduz a estratégia científica, decidindo quais perguntas fazer e que evidências coletar, enquanto o agente coordena consultas em diferentes bancos de dados, analisa estruturas e sintetiza a literatura. As capturas de tela da interface incluídas na publicação mostram a sessão com o modelo Gemini 3.8 Flash selecionado na interface do Antigravity.

O agente consultou o UniProt e filtrou milhões de entradas até chegar a uma lista reduzida de candidatos, identificando uma bacteriocina com o ID A0A0U0D591 no UniProt: um peptídeo de 97 aminoácidos da família Lactococcin 972. Segundo a publicação, prevê-se que o candidato seja ativo contra os patógenos envolvidos em infecções do trato respiratório. Para verificar se era uma descoberta inédita, o pesquisador orientou o agente a comparar o candidato com proteínas Swiss-Prot curadas por meio do serviço EMBL-EBI NCBI-BLAST. O guia informa que a verificação confirmou a ausência de homólogos de sequência relevantes entre as proteínas revisadas manualmente.

Em seguida, o agente obteve o modelo tridimensional previsto do candidato no AlphaFold Protein Structure Database, realizou uma busca com o Foldseek em estruturas determinadas experimentalmente para identificar homólogos distantes e sobrepôs os modelos para avaliar sua semelhança. A DeepMind afirmou que as evidências estruturais corroboraram a previsão do ProtNLM: a conformação do candidato se assemelha muito à de uma bacteriocina determinada experimentalmente. Ao examinar os genes flanqueadores, o agente encontrou o candidato 6 pares de bases a montante de um operão estreitamente associado, que contém uma permease de transportador ABC e sua possível proteína parceira de ligação ao ATP, além de outra bacteriocina anotada e de um regulador transcricional XRE. A publicação descreve esse padrão como forte evidência contextual de que o candidato faz parte de um sistema de bacteriocinas funcional.

Com base na análise da literatura existente, o agente propôs um mecanismo de ação que tem como alvo a divisão celular bacteriana e previu um espectro de potência que abrange vários patógenos resistentes a medicamentos, segundo a publicação. Em seguida, o agente converteu suas descobertas in silico em um protocolo de bancada que inclui expressão de proteínas, testes de suscetibilidade antimicrobiana, avaliação do engajamento do alvo e testes de toxicidade in vitro. A DeepMind descreve o candidato como uma molécula promissora e biologicamente plausível, sustentada por evidências estruturais e genômicas, mas que ainda precisa ser validada em laboratório.

Visualizador de estruturas biomoleculares integrado ao Antigravity

Junto com o guia, a DeepMind apresentou o Biomolecular Structure Viewer, uma ferramenta de visualização tridimensional integrada diretamente ao Antigravity que oferece ao pesquisador e ao agente um estado visual compartilhado. Quando o agente obtém estruturas do AlphaFold Database ou de previsões feitas pelo próprio cientista, pode controlar dinamicamente o visualizador e destacar regiões funcionais importantes para explicar visualmente suas hipóteses. A interação funciona nos dois sentidos: ações como destacar resíduos específicos ou fixar notas diretamente em um sítio de ligação são sincronizadas com o agente. A publicação dá o exemplo de um pesquisador que marca uma região de interesse no espaço tridimensional e pergunta como uma fita β poderia afetar a ligação ao Lipid II, permitindo que o agente raciocine com base no contexto estrutural exato que o cientista está observando.

Plataforma científica e programa de acesso do Antigravity

A página científica do Antigravity informa que as personalizações permitem equipar agentes com plug-ins, habilidades, subagentes e ganchos específicos de cada área, para trabalhar com mais de 30 importantes bancos de dados de ciências da vida, incluindo o AlphaGenome Atlas de 1 PB, UniProt, PubChem e ChEMBL. O plug-in Science pode ser instalado com um único clique no marketplace de personalizações do aplicativo. Segundo a página, pesquisadores podem consultar diretamente os modelos de ponta e bancos de dados da Google DeepMind, como AlphaGenome, AlphaFold Database e Atlas, dentro do ambiente de pesquisa, além de produzir renderizações estruturais 3D em PyMOL prontas para publicação, scripts de análise reproduzíveis e artefatos científicos verificáveis. A página também aponta para um repositório de personalizações de código aberto no GitHub, informa que o aplicativo está disponível para computadores com macOS, Windows, Linux e Googlebook e afirma que o Google está oferecendo acesso gratuito ao Gemini 4 Argon no Antigravity, no nível mais alto de uso, para 10.000 cientistas.

A DeepMind descreve o Antigravity como uma plataforma de trabalho científico com agentes de IA que reúne, em uma única sessão, o que antes exigia uma busca fragmentada em vários bancos de dados. A empresa afirmou que os pesquisadores podem explorar novos caminhos a partir da conversa demonstrada, por exemplo, acrescentando novos critérios de filtragem, examinando sequências de diferentes comprimentos ou direcionando a busca para outros patógenos prioritários, ampliando-a de microrganismos comensais humanos para micróbios ambientais. O candidato apresentado na demonstração, assim como vários outros descobertos pelo mesmo processo, está em validação em laboratório. Segundo a DeepMind, os resultados experimentais serão o teste definitivo da análise do agente.