O Google DeepMind publicou em 15 de outubro de 2026 um walkthrough que descreve a identificação computacional de um candidato a peptídeo antimicrobiano em Streptococcus pseudopneumoniae. A empresa prevê que ele possa agir contra patógenos associados a infecções respiratórias e afirma que a validação em laboratório está em andamento. O relato do DeepMind não apresenta resultados experimentais concluídos para esse candidato.
O que o DeepMind relatou
O fluxo combina o Google Antigravity, um ambiente de trabalho com agente de IA orientado pelo pesquisador, e o ProtNLM, modelo que prevê funções biológicas a partir de sequências de aminoácidos. O pesquisador definiu o organismo a investigar; a ferramenta coordenou buscas no UniProt e análises computacionais para priorizar uma sequência para testes. A documentação do UniProt também descreve o uso do ProtNLM para prever funções de proteínas.
O walkthrough anunciou ainda o Biomolecular Structure Viewer, visualizador 3D integrado ao Antigravity. Nele, o agente pode destacar regiões de uma estrutura, enquanto anotações feitas pelo pesquisador são compartilhadas com o agente.
Das sequências aos indícios estruturais e genômicos
Uma reportagem da Unite.AI identifica o candidato como UniProt A0A0U0D591, um peptídeo de 97 aminoácidos da família Lactococcin 972. A publicação também relata uma comparação de sequências, uma busca por semelhanças estruturais e a análise de genes próximos ao candidato. Esses passos oferecem pistas para selecionar o que investigar; não são, por si só, medições de atividade antimicrobiana. A Unite.AI apresenta esses detalhes, que não constam da publicação do DeepMind.
Participantes de discussões no Reddit sobre peptídeos também alertam que uma pontuação alta de um modelo não comprova mecanismo, seletividade ou atividade fora dos dados usados no treinamento. A discussão expressa uma preocupação da comunidade, não um resultado experimental sobre esse candidato.
O que outro projeto de peptídeos com IA mediu
Um estudo separado sobre o ProteoGPT, publicado em Nature Microbiology em 3 de outubro de 2025, oferece um exemplo de evidência experimental. No teste piloto, 18 de 20 peptídeos gerados inibiram ao menos uma cepa testada, com concentração inibitória mínima (MIC) de até 512 µg/mL; 12 dos 20 atingiram MIC de até 256 µg/mL. Os resultados se referem aos peptídeos e às condições daquele estudo, não ao candidato do DeepMind. O artigo descreve os ensaios e seus resultados.
O trabalho também selecionou 154 peptídeos identificados por mineração de sequências e 42 gerados por IA para caracterização experimental. Entre os testes relatados estão avaliações de hemólise e citotoxicidade em células de mamíferos, degradação por proteases e desenvolvimento de resistência após passagens bacterianas repetidas. O estudo ainda relata experimentos com peptídeos selecionados em um modelo murino de infecção na coxa.
Toxicidade, estabilidade e resistência
Uma síntese de pesquisas sobre peptídeos antimicrobianos não aponta toxicidade, estabilidade ou resistência como um obstáculo universalmente mais difícil; toxicidade e escassez de dados aparecem entre as preocupações recorrentes. A revisão sobre métodos de IA para peptídeos antimicrobianos e a análise publicada em Nature Reviews Bioengineering discutem esses desafios. As medições do estudo ProteoGPT mostram algumas formas de investigá-los, mas pertencem àquele projeto.
