Google Antigravity 与 ProtNLM 发现新型抗菌肽候选分子

Google DeepMind 发布了一篇技术演示文章，展示其智能体开发平台 Google Antigravity 如何在单次会话中完成端到端的抗菌肽（AMP）发现工作流程——包括数据库搜索、新颖性检查、结构分析、基因组背景、文献综合和湿实验规划。该工作流程产生了一个新型细菌素候选分子，预测对呼吸道感染相关病原体具有活性，该先导化合物目前正在进行湿实验验证。

公告内容

此次公告展示的是一个科学工作流程，而非新模型发布。Google Antigravity 被描述为提供“智能体科学工作台”，使生物学家能够快速发现、结构评估和优先排序靶点，将以往分散在多个数据库中的碎片化搜索压缩到单次会话中。该文章还介绍了生物分子结构查看器，这是一个直接嵌入 Antigravity 的 3D 可视化工具。

该工作于 2026 年 10 月 15 日发布在 DeepMind 的科学类别下，作者为 Pengfei Tian、Maxwell L. Bileschi、Zoi Tsangalidou、Sukhdeep Singh 和 Lucy J. Colwell。

抗菌肽为何重要

文章将抗菌素耐药性描述为最紧迫的全球健康危机之一，如果不加以解决，到 2050 年全球每年预计将有 1000 万人死亡。抗菌肽，尤其是细菌素，被视为传统抗生素的有前景替代品，因为它们天然进化出针对竞争细菌基本弱点的能力——从细胞包膜到必需的细胞内机制——使病原体难以产生耐药性。

基因组和宏基因组测序已使全球数据库积累了数十亿条天然氨基酸序列。这一资源库已产生了全球使用的细菌素，如 Nisin，以及近期通过基因组挖掘发现的突破性成果，包括 Darobactin、Dynobactin 和 Lariocidin。然而，许多候选分子仍被锁定在蛋白质数据库未注释的“暗物质”中，因为它们与已知蛋白质不相似。

ProtNLM：从原始序列预测蛋白质功能

ProtNLM（蛋白质自然语言模型）是 Google 开发的深度学习模型，经过训练可读取氨基酸序列的潜在进化“语法”，并直接从原始蛋白质序列预测生物学功能。它被用于为数百万条此前未命名的 UniProt 条目添加高置信度功能标签。

该模型的注释范围涵盖蛋白质名称、功能注释、亚细胞定位和 GO 术语，以及关键词。在流程中，输入蛋白质序列通过序列到序列转换器进行功能注释，随后通过“证据链”流程添加支持性证据，如序列和结构相似性。UniProt 被描述为全球领先的蛋白质序列和功能信息公共资源，其中包含数百万条直接从基因组测序项目转移而来但功能未知的序列——这正是 ProtNLM 旨在填补的空白。

演示流程：在 Streptococcus pseudopneumoniae 中寻找候选分子

会话始于一个明确的生物学目标：在 Streptococcus pseudopneumoniae 中发现并计算验证新型 AMP。研究人员主导科学策略——决定提出哪些问题以及收集哪些证据——而智能体负责跨数据库协调、结构分析和文献综合。文章中的截图显示所选模型为“Gemini 3.8 Flash”。

步骤 1 — 导航广阔的搜索空间

智能体查询了 UniProt，并将数百万条条目筛选为少数候选分子。它发现了一种来自 Lactococcin 972 家族的细菌素，UniProt ID 为 A0A0U0D591，长度为 97 个氨基酸。

步骤 2 — 验证新颖性

为确认该发现具有新颖性，研究人员引导智能体通过 EMBL-EBI NCBI-BLAST 服务，针对 Swiss-Prot 中的精选知识进行查询。结果确认该肽在人工审核的蛋白质中无显著序列同源物。

步骤 3 — 基于 3D 结构进行推理

智能体从 AlphaFold 蛋白质结构数据库检索了候选分子的 3D 模型，将其与实验确定的结构进行比对以识别远缘同源物，并叠加模型以评估相似性。结构证据证实了 ProtNLM 的预测：候选分子的折叠与实验确定的细菌素高度匹配。Antigravity 中的结构查看器使这种结构分析得以在一个地方完成。

步骤 4 — 解读基因组背景

智能体检查了候选分子的基因组邻域，以测试周围机制是否支持 AMP 假说。它发现该此前未表征的候选分子位于一个紧密耦合操纵子的上游，仅在其前方 6 个碱基对处有一个 ABC 转运蛋白通透酶及其潜在伴侣 ATP 结合蛋白，同时还有一个已注释的细菌素和一个 XRE 转录调节因子。文章称这是强有力的背景证据，表明该候选分子是功能性细菌素系统的一部分。

步骤 5 — 构建机制假说

通过回顾现有文献，智能体提出了一种靶向细菌细胞分裂的作用机制，以及覆盖多种耐药病原体的预测效力谱。

步骤 6 — 生成湿实验方案

智能体将其计算发现转化为可操作的实验方案，涵盖蛋白质表达、抗菌药敏试验、靶点结合和体外毒性测试。该候选分子以及通过同一流程发现的其他几个候选分子目前正在进行湿实验验证。

生物分子结构查看器

蛋白质的 3D 结构有助于解释其生物学功能，检查候选分子的预测折叠是工作流程的关键部分。生物分子结构查看器是直接嵌入 Antigravity 的 3D 可视化工具，使这一端到端工作流程在单一工作空间中完成。

研究人员和智能体在共享的视觉状态上协作。当智能体从 AlphaFold 数据库或科学家自己的预测中检索结构时，它可以动态驱动查看器——例如，高亮关键功能区域以直观解释其假设。信息流是双向的：诸如高亮特定残基或将注释直接固定到结合口袋等操作会同步回智能体。研究人员可以在 3D 空间中标记感兴趣的区域并询问，例如“这个 β-折叠链如何影响 Lipid II 结合？”，智能体则基于科学家正在查看的确切结构背景进行推理。

这取代了什么

从历史上看，此类工作流程中的洞察需要碎片化和专门的软件：编写自定义脚本查询数据库、手动导出文件到 3D 建模程序、管理不连贯的基因组工具，以及与多位专家合作设计湿实验。由于湿实验验证仍然资源密集，预先将搜索空间缩小到最高置信度的先导化合物至关重要。Antigravity 被描述为在一个地方执行这种端到端的科学推理，使科学家能够将更多时间用于评估高质量假设、运行实验和解决研究挑战。

注意事项和范围

Google DeepMind 明确表示，演示流程中发现的候选分子是一个具有生物学合理性的先导化合物，有结构和基因组证据支持，但仍需湿实验验证。该会话聚焦于 Streptococcus pseudopneumoniae 中一个狭窄的氨基酸窗口；文章指出，研究人员可以将对话引向其他方向，例如添加新的筛选标准、探索不同的序列长度，或针对其他优先病原体。将搜索范围从人类共生菌扩展到环境微生物及其他领域，被描述为引导智能体跨 UniProt 大规模发现新型 AMP 候选分子的一种方式。

公告中未报告基准数字、命中率或验证结果——湿实验结果被描述为仍待完成，并将作为对智能体分析的最终检验。