De nouveaux antibiotiques sont urgently nécessaires face à la montée de la résistance antimicrobienne, mais la recherche de nouveaux traitements est depuis longtemps un processus lent et laborieux. Google indique que sa plateforme de développement agentique, Google Antigravity, peut désormais rendre ce processus considérablement plus simple. Dans une démonstration technique publiée sur le blog Google DeepMind, les chercheurs Pengfei Tian, Maxwell L. Bileschi, Zoi Tsangalidou, Sukhdeep Singh et Lucy J. Colwell décrivent comment des biologistes ont utilisé la plateforme pour découvrir un nouveau candidat peptide antimicrobien dont l'activité est prédite contre les agents pathogènes impliqués dans les infections des voies respiratoires. Le candidat identifié lors de cette démonstration est actuellement en cours de validation en laboratoire humide.

Antigravity fonctionne comme un atelier scientifique agentique qui permet aux biologistes de découvrir, d'évaluer structurellement et de hiérarchiser rapidement des cibles prometteuses, compressant ce qui était auparavant une recherche fragmentée sur plusieurs bases de données en une seule session. En pratique, cela signifie que des agents logiciels planifient et exécutent des tâches en plusieurs étapes — interrogation de bases de données, récupération de structures, rédaction de protocoles — tandis que le scientifique définit la stratégie et évalue les données probantes. La plateforme aide également les chercheurs à analyser des millions de protéines jusque-là non caractérisées dans la base de données UniProt à l'aide de ProtNLM, un modèle qui prédit la fonction biologique à partir des séquences d'acides aminés.

Le défi de la découverte de nouveaux peptides antimicrobiens

La montée de la résistance antimicrobienne est l'une des crises sanitaires mondiales les plus pressantes de notre époque et, selon une analyse du gouvernement britannique, pourrait entraîner environ 10 millions de décès annuels dans le monde d'ici 2050. Éviter ce scénario, arguent les auteurs, nécessite la découverte urgente de nouveaux traitements.

Les peptides antimicrobiens (AMP), en particulier les bactériocines, offrent une alternative prometteuse aux antibiotiques traditionnels. Ils ont évolué naturellement pour cibler des vulnérabilités fondamentales des bactéries concurrentes, des enveloppes cellulaires aux machineries intracellulaires essentielles, rendant difficile le développement de résistance par les agents pathogènes.

La croissance exponentielle du séquençage génomique et métagénomique a rempli les bases de données mondiales de milliards de séquences naturelles d'acides aminés. Ce réservoir de données naturelles a déjà produit des bactériocines largement utilisées comme la nisine, ainsi que des percées récentes issues du criblage de génomes, notamment la darobactine, la dynobactine et la lariocidine.

Cependant, de nombreux traitements potentiels restent enfermés dans la « matière noire » non annotée des bases de données protéiques, leurs fonctions n'étant pas caractérisées car ils présentent peu de similitudes avec les protéines connues. UniProt la principale ressource publique mondiale d'informations sur les séquences et fonctions des protéines, contient des millions de séquences de fonctionnalité inconnue, transférées directement de projets de séquençage de génomes.

Pour combler ce fossé, Google a développé ProtNLM (Protein Natural Language Model), un modèle d'apprentissage profond entraîné à lire la « grammaire » évolutive sous-jacente des séquences d'acides aminés. Le modèle prédit la fonction biologique directement à partir des séquences protéiques brutes, enrichissant des millions d'entrées UniProt jusque-là anonymes avec des étiquettes fonctionnelles à haute confiance. Pour les entrées non révisées d'UniProtKB/TrEMBL, sa portée d'annotation couvre les noms de protéines, les commentaires de fonction, les localisations subcellulaires, les termes GO et les mots-clés. Cette couche d'annotation rend les séquences non caractérisées trouvables en termes biologiques, transformant la production brute du séquençage en un index consultable des fonctions protéiques.

La collaboration humain-IA en pratique

La découverte scientifique est rarement un processus en une seule étape ; trouver des protéines candidates viables exige l'intuition humaine et l'incorporation itérative de nouvelles preuves empiriques. Dans la démonstration, le chercheur et l'agent IA ont commencé avec un objectif biologique précis : trouver et valider computationnellement de nouveaux AMP chez Streptococcus pseudopneumoniae. Au cours d'une session interactive en plusieurs tours, le chercheur a dirigé la stratégie scientifique — décidant quelles questions poser et quelles preuves collecter — tandis que l'agent gérait le gros du travail : orchestration multi-bases de données, analyse structurelle et synthèse bibliographique.

Le flux de travail s'est déroulé en plusieurs étapes :

Naviguer dans un vaste espace de recherche. L'agent a interrogé la base de données et filtré des millions d'entrées pour n'en retenir qu'une poignée de candidates dignes d'intérêt, identifiant une bactériocine de la famille Lactococcin 972 (UniProt ID : A0A0U0D591) d'une longueur de 97 acides aminés.

Valider la nouveauté de la découverte. Pour vérifier que la découverte était inédite, le chercheur a guidé l'agent pour confronter le candidat aux connaissances organisées de Swiss-Prot via le service EMBL-EBI NCBI-BLAST, confirmant que le peptide n'avait aucun homologue de séquence significatif parmi les protéines révisées manuellement.

Raisonner sur la structure 3D de la protéine. Le chercheur a orienté l'analyse vers les preuves structurelles. L'agent a récupéré le modèle 3D du candidat depuis la AlphaFold Protein Structure Database, l'a comparé à des structures déterminées expérimentalement pour identifier des homologues distants, et a superposé les modèles pour évaluer la similitude. Les preuves structurelles ont corroboré la prédiction de ProtNLM en montrant que le repliement du candidat correspond étroitement à une bactériocine déterminée expérimentalement, le visualiseur de structures d'Antigravity permettant de réaliser cette analyse de manière transparente en un seul endroit.

Lire le contexte biologique autour d'un gène. L'agent a regardé au-delà de la molécule elle-même, vers son voisinage génomique, en évaluant si la machinerie environnante soutenait l'hypothèse d'un AMP. L'examen des gènes flanquants a révélé un schéma révélateur : le candidat jusque-là non caractérisé se situe en amont d'un opéron étroitement couplé, à seulement 6 paires de bases d'une perméase de transporteur ABC et de sa protéine potentielle de liaison à l'ATP, aux côtés d'une autre bactériocine annotée et d'un régulateur transcriptionnel XRE. Cela a fourni une forte preuve contextuelle que le candidat fait partie d'un système fonctionnel de bactériocine.

**Construire une hypothèse mécanistique à partir de la littérature. En passant en revue la littérature existante, l'agent a proposé comment la molécule pourrait agir et sur quels agents pathogènes. Dans ce cas, les preuves existantes pointent vers un mécanisme d'action ciblant la division cellulaire bactérienne, avec un spectre de puissance prédit couvrant plusieurs agents pathogènes résistants aux médicaments.

Générer un plan expérimental. Enfin, l'agent a traduit ses conclusions in silico en un protocole de banc actionable couvrant l'expression protéique, les tests de sensibilité antimicrobienne, l'engagement de la cible et les tests de toxicité in vitro — comblant le fossé entre prédiction computationnelle et expérience en laboratoire humide. Cette étape est déjà en cours : le candidat, ainsi que plusieurs autres découverts via le même pipeline, est désormais en validation en laboratoire humide, où les résultats expérimentaux constitueront le test ultime de l'analyse de l'agent.

Le candidat découvert lors de cette démonstration représente une piste biologiquement plausible étayée par des preuves structurelles et génomiques, mais il nécessite encore une validation en laboratoire humide. Ce qui rend cela significatif, selon l'article, c'est la manière dont cela abaisse considérablement la barrière des flux de travail biologiques quotidiens, transformant des journées de tri fragmenté de bases de données en une seule session collaborative. Bien que la session se soit concentrée sur une fenêtre étroite d'acides aminés chez Streptococcus pseudopneumoniae, les chercheurs peuvent orienter la conversation dans n'importe quelle direction — ajouter de nouveaux critères de filtrage, explorer différentes longueurs de séquences ou cibler d'autres agents pathogènes prioritaires. En élargissant la recherche des commensaux humains aux microbes environnementaux et au-delà, les scientifiques peuvent guider l'agent à travers UniProt pour découvrir de nouveaux candidats AMP à grande échelle. Pour quiconque suit la question de savoir si la découverte guidée par l'IA peut passer de la prédiction à la fonction vérifiée, les résultats de ces validations en laboratoire humide constituent le prochain signal concret à observer.

un canevas 3D partagé pour la collaboration interactive

La structure 3D d'une protéine peut aider à expliquer sa fonction biologique, rendant essentiel l'examen du repliement prédit d'un candidat dans l'espace. Pour offrir ce flux de travail de bout en bout dans un espace de travail unique, Google présente le Biomolecular Structure Viewer, un outil de visualisation 3D directement intégré à Antigravity.

Le chercheur et l'agent travaillent ensemble sur un état visuel partagé. Lorsque l'agent récupère des structures depuis l'AlphaFold Database ou les prédictions du scientifique, il peut piloter dynamiquement le visualiseur — par exemple, en mettant en évidence des régions fonctionnelles clés pour expliquer visuellement ses hypothèses. Point crucial, cette conscience circule dans les deux sens : des actions telles que mettre en évidence des résidus spécifiques ou épingler des notes directement sur une poche de liaison sont synchronisées avec l'agent. Un chercheur peut simplement marquer une région d'intérêt dans l'espace 3D et demander, par exemple : « Comment ce brin β pourrait-il affecter la liaison au Lipid II ? », permettant à l'agent de raisonner immédiatement sur le contexte structurel exact que le scientifique observe.

Accélérer la découverte scientifique

Historiquement, dégager des connaissances comme celles démontrées dans ce flux de travail exigeait des logiciels fragmentés et spécialisés : écrire des scripts personnalisés pour interroger les bases de données, exporter manuellement des fichiers vers des programmes de modélisation 3D, gérer des outils génomiques déconnectés et collaborer avec plusieurs experts pour concevoir les essais en laboratoire humide. Comme la validation en laboratoire humide reste coûteuse en ressources, réduire l'espace de recherche en amont aux seules pistes de plus haute confiance est crucial. Google Antigravity permet aux chercheurs de naviguer efficacement dans le vaste espace de recherche biologique tout en s'appuyant sur des prédictions précises de fonctions protéiques issues d'un modèle spécifique au domaine, exécutant ce raisonnement scientifique de bout en bout en un seul endroit. Cela, indique l'entreprise, permet aux scientifiques de consacrer plus de temps à l'évaluation d'hypothèses de qualité, à la réalisation d'expériences en laboratoire et à la résolution de défis de recherche.

Remerciements

L'article crédite les membres de l'équipe suivants : Maria Gabriela Cardoso, Victoria Johnston, Lexi Walker, Gena Hong, James King, Richard Green, Filip Radlinski, Artem Sobolev, Michael V. LeVine, Ruijie K. Zhang, Zachary, Luca Schulz, Amy Danson, Tristan Oliver Kwan, Ryan Krueger, Oleg Kovalevskiy, Doug Fritz, Yunhan Xu et Sebastian Nowozin.