Google DeepMind beschreef op 15 oktober 2026 hoe onderzoekers met Antigravity en het eiwitmodel ProtNLM een kandidaat voor een antimicrobieel peptide computationeel prioriteerden in Streptococcus pseudopneumoniae. De activiteit tegen ziekteverwekkers die betrokken zijn bij luchtweginfecties is voorspeld; DeepMind zegt dat de laboratoriumvalidatie loopt. De walkthrough van het bedrijf meldde geen meetresultaten uit afgeronde proeven met deze kandidaat.
Van eiwitsequentie naar kandidaat
Een eiwitsequentie is een reeks aminozuren. ProtNLM voorspelt op basis daarvan welke biologische functie een eiwit mogelijk heeft. In de walkthrough stuurde een onderzoeker Antigravity aan bij het doorzoeken van UniProt, waarna het systeem sequenties, structuren, genoomcontext en wetenschappelijke literatuur analyseerde. UniProt beschrijft ProtNLM als een model voor functievoorspelling uit aminozuursequenties.
Unite.AI identificeerde de kandidaat als UniProt A0A0U0D591, een peptide van 97 aminozuren uit de Lactococcin 972-familie. Het medium beschreef ook een vergelijking van sequenties en een computationele vergelijking van eiwitstructuren. Die analyses leverden aanwijzingen op om de kandidaat verder te onderzoeken; ze zijn geen meting van antimicrobiële activiteit. Unite.AI’s verslag bevat deze details, die DeepMind niet in zijn walkthrough noemt.
De video volgt de stappen in de interface: zoeken in UniProt met ProtNLM, sequentievergelijking, structurele analyse en onderzoek naar de genoomcontext. Ook toont de demonstratie hoe Antigravity een plan voor laboratoriumonderzoek opstelt.
Wat laboratoriumtests bij een ander AI-project opleverden
Een afzonderlijke ProteoGPT-studie, gepubliceerd op 3 oktober 2025 in Nature Microbiology, geeft een voorbeeld van experimenteel onderzoek naar AI-ontworpen peptiden. In een pilotproef remden 18 van de 20 gegenereerde PT-peptiden ten minste één geteste bacteriestam bij een MIC van maximaal 512 μg/ml; 12 van de 20 bereikten een MIC van maximaal 256 μg/ml. MIC staat voor minimale remmende concentratie.
De studie onderzocht daarnaast geselecteerde peptiden met laboratoriumtests voor onder meer hemolyse, schadelijke effecten op zoogdiercellen, afbraak door proteasen en resistentie na herhaalde bacteriepassages. Een selectie werd ook getest in een muismodel van een dijbeeninfectie. Het zijn bevindingen over de peptiden uit dat ProteoGPT-project, niet over A0A0U0D591. De studie in Nature Microbiology laat zien hoe onderzoek van een computationele voorspelling kan doorgaan naar tests in het laboratorium en een diermodel.
Toxiciteit, stabiliteit en resistentie
Overzichten van onderzoek naar antimicrobiële peptiden wijzen geen universeel moeilijkste hindernis aan. Toxiciteit en beperkte onderzoeksgegevens keren wel terug als uitdagingen. Een overzicht van AI-methoden voor antimicrobiële peptiden en een review in Nature Reviews Bioengineering bespreken deze problemen naast elkaar.
De ProteoGPT-studie onderzocht verschillende eigenschappen met afzonderlijke tests: hemolyse en celcytotoxiciteit voor mogelijke schadelijke effecten, proteaseafbraak voor stabiliteit en herhaalde bacteriepassages voor resistentie. Die meetpunten maken duidelijk waarom een voorspelling van activiteit op zichzelf nog niet de volledige beoordeling van een kandidaat vormt.
