La résistance croissante aux antimicrobiens est l'une des crises sanitaires mondiales les plus pressantes de notre époque, et pourrait entraîner environ 10 millions de décès par an dans le monde d'ici 2050. De nouveaux antibiotiques sont urgemment nécessaires, mais la recherche de nouveaux traitements est souvent un processus lent et laborieux. Avec Google Antigravity, notre plateforme de développement agentique, ce processus peut désormais être simplifié. Google Antigravity fournit un banc de travail scientifique agentique qui permet aux biologistes de découvrir, d'évaluer structurellement et de hiérarchiser rapidement des cibles prometteuses, en regroupant en une seule session ce qui était auparavant une recherche fragmentée dans plusieurs bases de données.
Les peptides antimicrobiens (AMP), en particulier les bactériocines, constituent une alternative prometteuse aux antibiotiques traditionnels, car ils ont évolué naturellement pour cibler les faiblesses fondamentales des bactéries concurrentes, ce qui rend difficile le développement de résistances par les agents pathogènes. Des milliards de séquences naturelles restent enfermées dans la « matière noire » non annotée des bases de données de protéines. Pour combler ce fossé, Google a développé Prot NLM (Protein Natural Language Model), un modèle d'apprentissage profond entraîné à lire la « grammaire » évolutive des séquences d'acides aminés. Il enrichit des millions d'entrées UniProt auparavant sans nom avec des étiquettes fonctionnelles à haute confiance.
Dans Antigravity, un chercheur et un agent d'IA se sont fixé un objectif biologique précis : trouver et valider par calcul de nouveaux AMP chez Streptococcus pseudopneumoniae. Le chercheur oriente la stratégie scientifique, tandis que l'agent prend en charge l'orchestration entre bases de données, l'analyse structurelle et la synthèse de la littérature. Le candidat obtenu présente une activité prédite contre des agents pathogènes impliqués dans les infections des voies respiratoires et fait actuellement l'objet d'une validation en laboratoire humide.
Cette approche abaisse la barrière des flux de travail biologiques quotidiens, permettant aux chercheurs de passer des données de séquences à des candidats hiérarchisés beaucoup plus rapidement qu'auparavant.
Source: Google DeepMind Blog · Résumé par HeadlinesBriefing