Le 15 octobre 2026, Google DeepMind a décrit comment Antigravity et le modèle ProtNLM avaient servi à prioriser informatiquement un candidat peptide chez Streptococcus pseudopneumoniae. DeepMind prédit une activité contre des agents pathogènes associés aux infections respiratoires et indique que la validation en laboratoire est en cours. L’entreprise présente le résultat comme une piste à tester, pas comme un effet expérimental établi.
Comment Antigravity a priorisé le candidat
Le parcours combine des outils d’analyse, guidés par un chercheur. ProtNLM prédit la fonction biologique à partir d’une séquence d’acides aminés ; l’équipe a utilisé UniProt pour explorer des protéines, puis comparé des séquences et examiné des structures ainsi que le voisinage génomique du candidat. La documentation de UniProt décrit ProtNLM comme un modèle de prédiction de fonction protéique.
La démonstration comprend aussi des comparaisons de séquences avec Swiss-Prot et des analyses de structure à l’aide d’AlphaFold et de Foldseek. Le chercheur peut ainsi réunir plusieurs indices pour décider quelles expériences méritent d’être menées ; ces analyses informatiques ne mesurent pas, à elles seules, l’activité antibactérienne.
Unite.AI identifie le candidat comme UniProt A0A0U0D591, un peptide de 97 acides aminés de la famille Lactococcin 972. Le média rapporte qu’une comparaison de séquences n’a relevé aucun homologue significatif dans l’ensemble examiné et que Foldseek a repéré une similarité de structure avec une bactériocine caractérisée expérimentalement. Cette ressemblance structurelle est un indice informatique, pas un résultat d’essai sur le candidat. Unite.AI situe aussi celui-ci à six paires de bases en amont d’un opéron où figurent notamment des annotations de transporteur, d’une autre bactériocine et d’un régulateur XRE. Ces détails sont rapportés par Unite.AI.
DeepMind a également annoncé le Biomolecular Structure Viewer, un outil de visualisation 3D intégré à Antigravity. L’agent peut y mettre en évidence des régions d’une structure, tandis que les annotations du chercheur sont synchronisées avec l’agent.
Les mesures d’un autre projet de peptides par IA
Une étude distincte sur ProteoGPT, publiée dans Nature Microbiology le 3 octobre 2025, donne un exemple de résultats obtenus en laboratoire. Lors de son essai pilote, 18 des 20 peptides générés de la série PT ont inhibé au moins une souche testée à une concentration minimale inhibitrice (CMI) ≤512 µg/mL ; 12 sur 20 ont atteint une CMI ≤256 µg/mL. Ces chiffres concernent les séquences et les conditions de cette étude, pas le candidat de DeepMind. L’étude détaille ses résultats expérimentaux.
Les chercheurs de ProteoGPT ont aussi évalué des peptides sélectionnés in vitro et dans un modèle murin d’infection de la cuisse. Leur étude comprend des tests d’hémolyse et de cytotoxicité sur des cellules de mammifères, de dégradation par des protéases et de développement de résistance lors de passages bactériens répétés. Ce sont autant de dimensions à mesurer pour caractériser un candidat, au-delà de son score informatique.
Toxicité, stabilité, résistance : pas de difficulté universelle
Une synthèse de travaux sur les peptides antimicrobiens ne désigne pas la toxicité, la stabilité ou la résistance comme l’obstacle systématiquement le plus difficile. La toxicité et le manque de données reviennent parmi les difficultés signalées ; les études les examinent par des mesures différentes, plutôt qu’au moyen d’un classement universel. La synthèse sur les méthodes d’IA et la revue de Nature Reviews Bioengineering discutent ces enjeux.
