Google DeepMind publicó el 15 de octubre de 2026 un recorrido en el que describe cómo Antigravity y el modelo ProtNLM ayudaron a priorizar computacionalmente un candidato a péptido antimicrobiano en Streptococcus pseudopneumoniae. La empresa predice que podría actuar contra patógenos asociados a infecciones respiratorias y afirma que su validación en laboratorio está en curso. El recorrido presenta una hipótesis para investigar, no un resultado experimental. Google DeepMind explica el proceso y el estado del candidato.
Cómo Antigravity pasó de una secuencia a un candidato
ProtNLM predice funciones biológicas a partir de secuencias de aminoácidos; en el flujo descrito por DeepMind, los investigadores orientan el trabajo y Antigravity coordina la búsqueda en UniProt con análisis posteriores. La descripción de ProtNLM de UniProt detalla el uso del modelo para anotar proteínas. El recorrido combina el filtrado de secuencias con comparaciones de secuencia y estructura y una revisión del contexto genómico.
Unite.AI identifica al candidato como UniProt A0A0U0D591, un péptido de 97 aminoácidos de la familia Lactococcin 972. También informa de que una comparación con proteínas de Swiss-Prot no encontró homólogos significativos en el conjunto revisado y de que el análisis estructural detectó similitud con una bacteriocina caracterizada experimentalmente. Según el mismo medio, el candidato está a seis pares de bases de un operón con genes asociados a transporte, otra anotación de bacteriocina y un regulador. Son indicios de análisis computacional, no mediciones de actividad antimicrobiana. Unite.AI detalla la identificación y los análisis.
DeepMind también anunció el Biomolecular Structure Viewer, una herramienta 3D integrada en Antigravity que permite resaltar regiones estructurales y sincronizar con el agente las anotaciones de los investigadores. La demostración en inglés recorre la búsqueda, el análisis estructural y genómico y la planificación de pruebas de laboratorio.
Qué aspecto tienen los resultados experimentales en otro proyecto
Un estudio independiente sobre ProteoGPT, publicado en Nature Microbiology el 3 de octubre de 2025, informó de resultados de laboratorio para sus propios péptidos. En una prueba piloto, 18 de 20 péptidos generados inhibieron al menos una cepa analizada con una MIC —concentración mínima inhibitoria— de 512 μg/ml o menos; 12 de 20 alcanzaron 256 μg/ml o menos. El estudio de ProteoGPT describe las pruebas y sus condiciones.
El trabajo también evaluó péptidos seleccionados en ensayos in vitro y en un modelo de infección en ratón. Entre las mediciones incluyó hemólisis, citotoxicidad en células de mamífero, degradación por proteasas y resistencia tras pasajes bacterianos repetidos. Esos resultados corresponden a las secuencias estudiadas por ProteoGPT, no al candidato presentado por DeepMind.
Toxicidad, estabilidad y resistencia: varias pruebas, sin una barrera universal
Una síntesis de la investigación sobre péptidos antimicrobianos no señala una dificultad que sea siempre la más difícil de superar; la toxicidad y la escasez de datos aparecen como problemas recurrentes. La revisión sobre métodos de IA para péptidos antimicrobianos y la revisión de Nature Reviews Bioengineering analizan estos retos. El estudio de ProteoGPT ilustra cómo se investigan varias dimensiones a la vez: actividad frente a bacterias, posibles efectos en células, estabilidad ante proteasas y resistencia en pruebas repetidas.
