Google DeepMind veröffentlichte am 15. Oktober 2026 einen Antigravity-Workflow, mit dem Forschende einen möglichen antimikrobiellen Peptidkandidaten in Streptococcus pseudopneumoniae rechnerisch priorisierten. Das Unternehmen sagt, die Wirkung gegen Erreger von Atemwegsinfektionen werde vorhergesagt; die Validierung im Labor laufe, wie DeepMind in seinem Walkthrough beschreibt.
Wie Antigravity den Kandidaten priorisierte
Die Forschenden steuerten eine interaktive Suche nach Proteinen der Bakterienart. Dabei koordinierte Google Antigravity Datenbankabfragen, Funktionsvorhersagen, Sequenzvergleiche, Strukturanalysen und die Auswertung des Genomkontexts. ProtNLM sagt biologische Funktionen anhand von Aminosäuresequenzen voraus; UniProt beschreibt das Modell ebenfalls als Werkzeug zur Funktionsannotation von Proteinen (ProtNLM-Hilfe von UniProt). Solche Vorhersagen helfen, Kandidaten für weitere Untersuchungen auszuwählen.
Unite.AI identifiziert den hervorgehobenen Kandidaten als UniProt A0A0U0D591, ein 97 Aminosäuren langes Peptid aus der Familie Lactococcin 972. Der Bericht schildert außerdem einen Sequenzvergleich mit manuell kuratierten Swiss-Prot-Proteinen, bei dem sich in der untersuchten Sammlung keine signifikanten Homologen fanden. Ein Strukturvergleich mit Foldseek habe eine Ähnlichkeit zu einem experimentell charakterisierten Bakteriozin ergeben. Im Genom liege der Kandidat sechs Basenpaare vor einem Operon mit vorhergesagten Transporter-Genen, einer weiteren Bakteriozin-Annotation und einem XRE-Transkriptionsregulator. Diese Einzelheiten stammen aus der Berichterstattung von Unite.AI; DeepMinds Walkthrough nennt weder die Kennung noch die Länge des Peptids.
DeepMind kündigte im selben Beitrag auch den Biomolecular Structure Viewer an. Das integrierte 3D-Werkzeug soll es dem Agenten ermöglichen, Bereiche einer Proteinstruktur hervorzuheben, während Forschende eigene Markierungen hinzufügen und an den Agenten zurückgeben können.
Was Laborprüfungen in einem anderen KI-Projekt ergaben
Eine am 3. Oktober 2025 veröffentlichte Studie zu ProteoGPT untersuchte eigene, unabhängig entwickelte Peptide. In einem Pilotversuch hemmten 18 von 20 generierten PT-Peptiden mindestens einen getesteten Bakterienstamm bei einer minimalen Hemmkonzentration (MIC) von höchstens 512 µg/ml; bei 12 der 20 lag der Wert bei höchstens 256 µg/ml. Die ProteoGPT-Studie in Nature Microbiology berichtet darüber hinaus von Tests zu Hämolyse und Zelltoxizität, zum Abbau durch Proteasen und zur Resistenzentwicklung. Ausgewählte Peptide wurden zudem in Mausmodellen untersucht.
Diese Messungen gehören zum ProteoGPT-Projekt und seinen Sequenzen. Sie liefern ein Beispiel dafür, wie eine rechnerische Auswahl in Labor- und Tiermodelltests überführt werden kann; die Ergebnisse betreffen nicht den von DeepMind beschriebenen Kandidaten.
Welche Hürden Forschende untersuchen
Eine Übersicht zu KI-Methoden für antimikrobielle Peptide und ein Review in Nature Reviews Bioengineering kommen zu keinem Konsens darüber, ob Toxizität, Stabilität oder Resistenz grundsätzlich die größte Hürde ist. Toxizität und eine begrenzte Datenbasis tauchen als wiederkehrende Probleme auf. Die ProteoGPT-Studie veranschaulicht, warum Forschende mehrere Eigenschaften getrennt messen: Eine Hemmung von Bakterien allein beantwortet noch nicht, wie sich ein Peptid in weiteren Tests zu Zellverträglichkeit, Abbau oder Resistenz verhält.
