Google Antigravity pomogło odkryć nowego kandydata na antybiotyk peptydowy

Ten news ukazał się 11 min po komunikacie źródła.

👁 116 przeczytań

Google DeepMind ogłosił 15 października 2026 roku, że platforma agentyczna Google Antigravity pomogła biologom odkryć nowy kandydacki peptyd antymikrobowy z przewidywaną aktywnością przeciw patogenom wywołującym infekcje dróg oddechowych. Zidentyfikowany związek trafił już do walidacji w warunkach mokrego laboratorium.

To nie jest klasyczne odkrycie naukowe opisane w jednym papierze. Google pokazuje tutaj coś innego: jak środowisko pracy agenta AI może skrócić i uprościć żmudny, wieloetapowy proces przeszukiwania baz danych biologicznych, który wcześniej pochłaniał tygodnie pracy rozproszonej między wiele narzędzi i systemów.

Dlaczego peptydy antymikrobowe i dlaczego teraz

Oporność na antybiotyki to jeden z poważniejszych problemów globalnego zdrowia publicznego. Szacunki mówią o nawet 10 milionach zgonów rocznie do 2050 roku, jeśli nie uda się odkryć nowych klas leków. Peptydy antymikrobowe, a szczególnie bakteriocyny, są atrakcyjną alternatywą dla tradycyjnych antybiotyków z konkretnego powodu: wyewoluowały naturalnie, by atakować fundamentalne słabości bakterii konkurencyjnych - od otoczek komórkowych po kluczowe maszyny wewnątrzkomórkowe. Ten mechanizm działania sprawia, że patogenom trudno wykształcić oporność.

Karta narzędziaAntigravityGoogle Antigravity to platforma Google do programowania z agentami AI: aplikacja desktopowa, edytor oparty na VS Code i narzędzie wiersza poleceń.Wszystko o Antigravity →

Znane bakteriocyny stosowane już na skalę globalną to między innymi Nizyna. Do niedawnych odkryć wydobytych metodami eksploracji genomowej należą Darobactyna, Dynobactyna i Lariocydyna. Problem polega na tym, że ogromna część potencjalnie użytecznych sekwencji wciąż tkwi w tym, co badacze nazywają ciemną materią baz białkowych - milionach wpisów bez opisanej funkcji, przeniesionych wprost z projektów sekwencjonowania genomów.

Baza UniProt, główne światowe repozytorium sekwencji i informacji funkcjonalnych o białkach, zawiera właśnie takie miliony wpisów o nieznanej funkcji. Eksplozja sekwencjonowania genomicznego i metagenomicznego w ostatnich latach tylko powiększyła tę lukę między ilością surowych danych a tym, co faktycznie wiadomo o funkcji poszczególnych białek.

By tę lukę zasypać, Google opracował model ProtNLM (Protein Natural Language Model) - sieć głębokiego uczenia trenowaną tak, by bezpośrednio odczytywała ewolucyjną gramatykę sekwencji aminokwasowych. Model potrafi z surowej sekwencji przewidzieć funkcję biologiczną białka i wzbogacić wpisy w bazie UniProt o etykiety funkcjonalne generowane z wysoką pewnością. Zakres adnotacji obejmuje nazwy białek, komentarze funkcjonalne, lokalizacje subkomórkowe oraz terminy GO.

W praktyce oznacza to, że Antigravity z ProtNLM pod spodem potrafi przeskanować miliony dotąd niescharakteryzowanych sekwencji i wskazać te, które mają cechy charakterystyczne dla peptydów antymikrobowych - bez potrzeby, by każda z nich była podobna do już znanych białek.

Sama platforma Antigravity działa jako agentyczne stanowisko pracy dla naukowców. Badacz i agent AI zaczynają od sformułowania konkretnego celu biologicznego, a następnie iteracyjnie przeszukują bazy danych, oceniają struktury i ustalają priorytety kandydatów - wszystko w ramach jednej sesji, bez przeskakiwania między dziesiątkami osobnych narzędzi i baz. Wcześniej taki proces był rozproszony i czasochłonny; Antigravity ma go kompresować do pojedynczej, ciągłej pracy z agentem.

Odkryty kandydat to wynik właśnie takiego przepływu pracy: badacze ustawili cel, agent przeszukał bazę UniProt przez pryzmat ProtNLM, wytypował obiecujące sekwencje, a następnie pomógł je ocenić strukturalnie i nadać im priorytety. Zidentyfikowany peptyd wykazuje przewidywaną aktywność wobec patogenów odpowiedzialnych za infekcje układu oddechowego i - co istotne - opuścił już etap czysto obliczeniowy. Trwa jego walidacja w warunkach mokrego laboratorium, czyli rzeczywistych testach biologicznych na żywych organizmach lub kulturach komórkowych.

Google DeepMind nie podało na razie wyników tej walidacji ani harmonogramu dalszych prac. Samo ogłoszenie ma charakter demonstracji możliwości platformy, a nie publikacji wyników badań klinicznych. Niemniej przejście od przeszukiwania bazy do fizycznej walidacji kandydata w jednym opisanym cyklu pracy to coś, co daje konkretny punkt odniesienia dla oceny, jak szybko takie narzędzia mogą działać w praktyce badań nad nowymi antybiotykami.