15 октября 2026 года Google DeepMind опубликовала технический разбор того, как биологи с помощью агентной платформы Google Antigravity вышли на нового кандидата в антимикробные пептиды у бактерии Streptococcus pseudopneumoniae. Материал, который я конспектирую, — заметка издания unite.ai об этом разборе; первоисточником там выступает публикация в блоге DeepMind, авторы которой — Pengfei Tian, Maxwell L Bileschi, Zoi Tsangalidou, Sukhdeep Singh и Lucy J. Colwell.
Разбор устроен как пошаговая запись рабочей сессии: исследователь ставит научную задачу и решает, какие вопросы задавать, а агент ходит по биологическим базам, запускает структурный анализ и собирает литературу. На скриншотах интерфейса, по описанию unite.ai, в Antigravity выбрана модель Gemini 3.8 Flash.
Ниже — содержание разбора: зачем вообще ищут пептиды вместо антибиотиков, как агент сузил миллионы записей до одного кандидата, чем проверяли новизну находки, что за трёхмерный просмотрщик структур встроили в платформу и на каком этапе всё это находится сейчас. Сразу важная рамка: кандидат проходит валидацию в мокрой лаборатории, то есть никакого подтверждённого лекарства в материале нет.
Зачем искать антимикробные пептиды вместо новых антибиотиков
Разбор начинается с проблемы устойчивости бактерий к антибиотикам. По тексту публикации, к 2050 году она может приводить примерно к 10 миллионам смертей в год во всём мире — эта оценка приводится как обоснование срочности задачи, а не как результат работы самих авторов.
Альтернативой традиционным антибиотикам в разборе названы антимикробные пептиды, в частности бактериоцины. Логика такая: эти молекулы бактерии выработали эволюционно, чтобы подавлять конкурентов, и бьют они по фундаментально уязвимым местам — от клеточной оболочки до ключевых внутриклеточных механизмов. То есть поиск новых антибиотиков здесь ведут не синтезом с нуля, а вычиткой того, что природа уже собрала.
Сырьё для такой вычитки накопило секвенирование. Геномные и метагеномные данные наполнили мировые базы миллиардами природных аминокислотных последовательностей. Из этого пула, по публикации, вышли и широко применяемый низин (Nisin), и находки геномного майнинга — даробактин (Darobactin), динобактин (Dynobactin), лариоцидин (Lariocidin). Но миллионы последовательностей в базе UniProt до сих пор не имеют описанной функции: последовательность есть, а что она делает — неизвестно.
Закрывать этот разрыв Google пробует моделью ProtNLM (Protein Natural Language Model). В разборе она описана как модель глубокого обучения, предсказывающая биологическую функцию прямо по сырой аминокислотной последовательности. DeepMind заявляет, что с её помощью миллионы ранее безымянных записей UniProt получили функциональные подписи с высокой уверенностью. Именно этот слой предсказаний и становится входом для дальнейшего поиска.
Как агент сузил миллионы записей UniProt до одного кандидата
Сессия начинается с узко поставленной цели: найти и вычислительно подтвердить новые антимикробные пептиды у Streptococcus pseudopneumoniae. Дальше — многоходовой диалог. Роли в разборе разведены явно: научную стратегию держит человек, агент отвечает за оркестровку запросов к разным базам, структурный анализ и сведение литературы.
Агент обратился к UniProt и отфильтровал миллионы записей до короткого списка. В нём выделен бактериоцин с идентификатором UniProt A0A0U0D591 — пептид длиной 97 аминокислот из семейства лактококцина 972 (Lactococcin 972). По тексту публикации, у кандидата предсказана активность против возбудителей инфекций дыхательных путей.
Что здесь стоит отметить отдельно: фильтрация по базе — не результат, а гипотеза. Дальше весь разбор посвящён тому, как эту гипотезу обкладывают независимыми проверками, каждая из которых опирается на свой тип данных.
Чем проверяли, что находка не повторяет известное
Первая проверка — новизна. Исследователь поручил агенту сравнить кандидата с вручную выверенными белками Swiss-Prot через сервис NCBI-BLAST от EMBL-EBI. По отчёту в разборе, значимого гомолога последовательности среди проверенных вручную белков не нашлось.
Вторая проверка — структурная. Агент достал предсказанную трёхмерную модель кандидата из базы структур белков AlphaFold, запустил поиск Foldseek по экспериментально определённым структурам, чтобы найти дальних родственников, и наложил модели друг на друга. DeepMind сообщает, что структурные данные подтвердили предсказание ProtNLM: укладка кандидата близко совпала с экспериментально установленной структурой бактериоцина.
Третья проверка — геномный контекст. Агент посмотрел на соседние гены и обнаружил, что кандидат расположен в 6 парах оснований выше плотно сцепленного оперона. В опероне — пермеаза ABC-транспортёра и её вероятный партнёр, АТФ-связывающий белок, а рядом ещё один аннотированный бактериоцин и транскрипционный регулятор семейства XRE. В разборе это названо сильным косвенным свидетельством того, что кандидат входит в работающую бактериоциновую систему: рядом есть и механизм выброса молекулы из клетки, и регуляция.
Затем агент прошёл по существующей литературе и предложил механизм действия — вмешательство в деление бактериальной клетки — и предполагаемый спектр активности, охватывающий несколько лекарственно-устойчивых возбудителей. Финальным шагом он перевёл вычислительные выводы в лабораторный протокол: экспрессия белка, тесты на чувствительность микроорганизмов, проверка взаимодействия с мишенью и исследование токсичности in vitro. Формулировка DeepMind осторожная: биологически правдоподобный кандидат, подкреплённый структурными и геномными данными, которому всё ещё нужна проверка в мокрой лаборатории.
Просмотрщик структур: общий экран для учёного и агента
Вместе с разбором DeepMind представила Biomolecular Structure Viewer — инструмент трёхмерной визуализации, встроенный прямо в Antigravity. Его смысл в том, что у исследователя и агента появляется общее визуальное состояние: оба смотрят на одну и ту же картинку.
Работает это в обе стороны. Агент, доставая структуры из базы AlphaFold или из собственных предсказаний учёного, сам управляет просмотрщиком и подсвечивает функционально важные области, чтобы показать свою гипотезу наглядно. Обратно синхронизируются действия человека: выделение конкретных аминокислотных остатков или заметка, приколотая к участку связывания.
Пример из публикации: исследователь отмечает область в трёхмерном пространстве и спрашивает, как β-тяж может повлиять на связывание липида II. Агент рассуждает уже в том структурном контексте, который человек видит перед собой, а не в абстрактном описании последовательности. Это решает бытовую, но дорогую проблему — необходимость словами описывать то, на что показываешь пальцем.
Antigravity как ии агент для научных исследований: что внутри платформы
Отдельный блок материала — страница Antigravity, посвящённая научным сценариям. По её описанию, агентов можно донастраивать: предметные плагины, навыки, субагенты и хуки для работы более чем с 30 крупными базами наук о жизни. Среди названных — AlphaGenome Atlas объёмом 1 петабайт, UniProt, PubChem и ChEMBL. Научный плагин ставится в один клик из встроенного маркетплейса кастомизаций.
Внутри рабочего пространства исследователь, согласно странице, может напрямую обращаться к фронтирным моделям Google DeepMind и к базам вроде AlphaGenome, AlphaFold Database и Atlas, а на выходе получать трёхмерные структурные рендеры в PyMOL пригодного для публикации качества, воспроизводимые скрипты анализа и проверяемые научные артефакты. Упомянуты открытый репозиторий кастомизаций на GitHub и настольные версии для macOS, Windows, Linux и Googlebook.
Там же заявлена программа доступа: Google даёт 10 000 учёным бесплатный доступ к Gemini 4 Argon в Antigravity на высшем уровне лимитов.
Сама DeepMind описывает Antigravity как агентный научный верстак, который сжимает разрозненный поиск по множеству баз в одну сессию. Показанный диалог компания предлагает разворачивать дальше: добавлять критерии фильтрации, менять диапазон длины последовательностей, целиться в других приоритетных возбудителей и расширять поиск с человеческих комменсалов на микробов окружающей среды. Кандидат из разбора и ещё несколько находок того же конвейера сейчас проходят валидацию в мокрой лаборатории — именно эксперимент DeepMind называет окончательной проверкой работы агента.
Коротко
- Google DeepMind 15 октября 2026 года опубликовала технический разбор, в котором биологи через агентную платформу Antigravity нашли нового кандидата в антимикробные пептиды у Streptococcus pseudopneumoniae; на скриншотах сессии выбрана модель Gemini 3.8 Flash.
- Кандидат — бактериоцин A0A0U0D591 из UniProt, 97 аминокислот, семейство лактококцина 972, с предсказанной активностью против возбудителей инфекций дыхательных путей.
- Гипотезу обложили тремя независимыми проверками: отсутствие значимого гомолога по BLAST против Swiss-Prot, совпадение укладки со структурой известного бактериоцина через AlphaFold и Foldseek, расположение рядом с опероном ABC-транспортёра и вторым бактериоцином.
- Разделение труда зафиксировано явно: человек ведёт научную стратегию, агент оркеструет базы, структурный анализ и литературу, а в конце собирает лабораторный протокол.
- Biomolecular Structure Viewer даёт учёному и агенту общее трёхмерное состояние: подсветка областей синхронизируется в обе стороны.
- Ни одного экспериментального подтверждения в материале нет — кандидат и несколько других находок того же конвейера только идут в мокрую лабораторию.
Что из этого следует
Главное в этом разборе — не находка, а показанная схема работы. Агент здесь не придумывает молекулу: он быстро проходит маршрут, который исследователь и так прошёл бы руками по UniProt, BLAST, AlphaFold и Foldseek, и сшивает результаты в одну аргументацию. Ценность — в сокращении числа переключений между сервисами и в том, что цепочка проверок остаётся видимой целиком.
Отсюда же и граница. Все выводы в разборе — вычислительные: предсказанная функция, предсказанная структура, предполагаемый механизм действия, предполагаемый спектр активности. Ни один из них не равен результату эксперимента, и DeepMind это проговаривает прямо. Схема с тремя разнородными проверками снижает риск принять артефакт предсказания за открытие, но не устраняет его.
Для тех, кто смотрит на ИИ-агентов для научных исследований шире биологии, воспроизводимый кусок здесь такой: узкая постановка задачи от человека, агент на обвязке из проверяемых внешних источников, несколько независимых подтверждений одного вывода и обязательный финальный шаг вне модели. Проверить у себя стоит именно последнее — есть ли в вашем процессе та самая мокрая лаборатория, то есть внешняя проверка, которую агент не может сымитировать.
И отдельно о числах из материала. Названия моделей, идентификатор кандидата, оценка смертности к 2050 году и объём программы доступа взяты из публикации и страницы платформы; читать их стоит как заявления компании, а не как подтверждённые третьей стороной данные.
Источник: Google DeepMind Walkthrough Details Antimicrobial Peptide Discovery