Google DeepMinds genomgång beskriver upptäckten av antimikrobiella peptider

Den 15 oktober 2026 publicerade Google DeepMind en teknisk genomgång där biologer använde Google Antigravity, företagets agentbaserade utvecklingsplattform, för att identifiera en ny kandidat till antimikrobiell peptid hos Streptococcus pseudopneumoniae. Företaget uppgav att kandidaten genomgår validering i våtlaboratorium.

Genomgången, som skrevs av Pengfei Tian, Maxwell L Bileschi, Zoi Tsangalidou, Sukhdeep Singh och Lucy J. Colwell, sätter arbetet i relation till den ökande antimikrobiella resistensen, som enligt inlägget skulle kunna leda till uppskattningsvis 10 miljoner dödsfall per år globalt fram till 2050. Den lyfter fram antimikrobiella peptider, särskilt bakteriociner, som ett lovande alternativ till traditionella antibiotika eftersom de genom evolutionen har utvecklat förmågan att angripa grundläggande sårbarheter hos konkurrerande bakterier, från cellhöljen till livsviktiga intracellulära strukturer. Enligt inlägget har genomisk och metagenomisk sekvensering gett globala databaser miljarder naturliga aminosyrasekvenser. Denna mängd har gett upphov till allmänt använda bakteriociner som Nisin, liksom upptäckter genom genomsökning av genomet, däribland Darobactin, Dynobactin och Lariocidin, samtidigt som miljontals sekvenser i UniProt-databasen fortfarande saknar funktionell karakterisering. Google utvecklade ProtNLM (Protein Natural Language Model), som inlägget beskriver som en djupinlärningsmodell tränad att förutsäga biologisk funktion direkt från råa aminosyrasekvenser. DeepMind uppgav att modellen har berikat miljontals tidigare namnlösa UniProt-poster med funktionella etiketter med hög konfidens.

Från sökning i UniProt till en kandidat identifierad med beräkningsmetoder

I genomgången börjar forskaren och AI-agenten med ett avgränsat biologiskt mål: att hitta och beräkningsmässigt validera nya antimikrobiella peptider hos Streptococcus pseudopneumoniae. Under en interaktiv session med flera turer styr forskaren den vetenskapliga strategin genom att avgöra vilka frågor som ska ställas och vilka belägg som ska samlas in, medan agenten samordnar arbetet mellan databaser, analyserar strukturer och sammanställer litteratur. Skärmbilder i inlägget visar sessionen med modellen Gemini 3.8 Flash vald i Antigravity-gränssnittet.

Agenten sökte i UniProt och gallrade bland miljontals poster för att ta fram en kortlista med kandidater. Den identifierade en bakteriocin med UniProt-ID:t A0A0U0D591, en peptid på 97 aminosyror från familjen Lactococcin 972. Enligt inlägget förväntas kandidaten vara verksam mot de patogener som orsakar luftvägsinfektioner. För att kontrollera att den var ny lät forskaren agenten jämföra kandidaten med kuraterade Swiss-Prot-proteiner via tjänsten EMBL-EBI NCBI-BLAST. Enligt genomgången bekräftade kontrollen att det inte fanns någon betydelsefull sekvenshomolog bland manuellt granskade proteiner.

Agenten hämtade därefter kandidatens förutsagda 3D-modell från AlphaFold Protein Structure Database, sökte med Foldseek efter avlägsna homologer bland experimentellt bestämda strukturer och lade modellerna ovanpå varandra för att bedöma likheten. DeepMind uppgav att de strukturella beläggen stödde ProtNLM:s förutsägelse: kandidatens veckning överensstämde väl med en experimentellt bestämd bakteriocin. När agenten undersökte de omgivande generna fann den att kandidaten låg 6 baspar uppströms om ett tätt kopplat operon som innehöll en permeas i en ABC-transportör och dess möjliga partnerprotein, ett ATP-bindande protein, samt ytterligare en annoterad bakteriocin och en XRE-transkriptionsregulator. Inlägget beskriver detta mönster som starka kontextuella belägg för att kandidaten ingår i ett fungerande bakteriocinsystem.

Utifrån en genomgång av befintlig litteratur föreslog agenten enligt inlägget en verkningsmekanism som angriper bakteriers celldelning och ett förutsagt styrkespektrum som omfattar flera läkemedelsresistenta patogener. Agenten omsatte sedan sina fynd från beräkningsanalyser till ett laboratorieprotokoll som omfattade proteinuttryck, testning av antimikrobiell känslighet, målbindning och toxicitetstestning in vitro. DeepMind beskriver kandidaten som en biologiskt rimlig lovande kandidat, underbyggd av strukturella och genomiska belägg, som fortfarande behöver valideras i våtlaboratorium.

Biomolecular Structure Viewer inbäddad i Antigravity

I samband med genomgången presenterade DeepMind Biomolecular Structure Viewer, ett 3D-visualiseringsverktyg som är direkt inbäddat i Antigravity och ger forskaren och agenten en gemensam visuell vy. När agenten hämtar strukturer från AlphaFold Database eller från forskarens egna förutsägelser kan den styra visningsverktyget dynamiskt och markera viktiga funktionella regioner för att visuellt förklara sina hypoteser. Informationsflödet går åt båda hållen: åtgärder som att markera specifika rester eller fästa anteckningar direkt vid en bindningsficka synkroniseras tillbaka till agenten. Inlägget ger exemplet att en forskare markerar ett intresseområde i 3D och frågar hur en β-sträng skulle kunna påverka bindningen till Lipid II. Då kan agenten resonera utifrån exakt det strukturella sammanhang som forskaren ser.

Antigravitys vetenskapsplattform och åtkomstprogram

På Antigravitys vetenskapssida står det att agentanpassningar utrustar agenter med domänspecifika insticksprogram, färdigheter, underagenter och krokar för arbete med över 30 stora databaser inom biovetenskap, däribland 1PB AlphaGenome Atlas, UniProt, PubChem och ChEMBL. Science-insticksprogrammet kan installeras med ett klick från marknadsplatsen för anpassningar i appen. Enligt sidan kan forskare göra direkta sökningar i Google DeepMinds mest avancerade modeller och databaser som AlphaGenome, AlphaFold Database och Atlas i forskningsmiljön. De kan också ta fram publiceringsklara strukturrenderingar i 3D med PyMOL, reproducerbara analysskript och verifierbara vetenskapliga resultat. Sidan hänvisar till ett arkiv med öppen källkod för anpassningar på GitHub, anger att datorversionen finns för macOS, Windows, Linux och Googlebook och uppger att Google ger 10 000 forskare kostnadsfri tillgång till Gemini 4 Argon i Antigravity på den högsta användningsnivån.

DeepMind beskriver Antigravity som en agentbaserad arbetsmiljö för forskning som samlar det som tidigare krävde sökningar i flera databaser till en enda session. Företaget sade att forskare kan föra det demonstrerade samtalet i nya riktningar, till exempel genom att lägga till nya filtreringskriterier, utforska olika sekvenslängder eller inrikta sig på andra prioriterade patogener och bredda sökningen från mänskliga kommensaler till miljömikrober. Kandidaten som presenterades i genomgången, liksom flera andra som upptäckts med samma arbetsflöde, valideras i våtlabb. DeepMind sade att de experimentella resultaten blir det slutgiltiga testet av agentens analys.