A Google DeepMind descreve uma experiência em que a plataforma de desenvolvimento com agentes Google Antigravity foi usada para apoiar a procura de novos péptidos antimicrobianos. Segundo a empresa, o fluxo de trabalho permitiu identificar um candidato cuja atividade contra agentes patogénicos envolvidos em infeções do trato respiratório foi prevista. O candidato está agora em validação laboratorial, pelo que a atividade ainda não foi confirmada experimentalmente.
A publicação, datada de 15 de outubro de 2026, apresenta o Antigravity como uma bancada de trabalho para investigação científica. A plataforma permite aos biólogos procurar candidatos, avaliá-los estruturalmente e dar prioridade aos mais promissores numa única sessão. A DeepMind afirma que esta abordagem reúne num só fluxo pesquisas que, de outra forma, estariam fragmentadas por várias bases de dados. A fonte não quantifica o tempo poupado nem compara o processo com outros métodos.
O trabalho descrito recorreu também ao ProtNLM, um modelo que prevê a função biológica a partir de sequências de aminoácidos. De acordo com a DeepMind, o modelo pode ajudar a analisar milhões de proteínas ainda pouco caracterizadas na base de dados UniProt. A empresa apresenta esta exploração como uma forma de procurar candidatos entre sequências cuja função não é conhecida ou está pouco estudada.
A pesquisa centra-se nos péptidos antimicrobianos, em particular nas bacteriocinas. A publicação descreve estas moléculas como uma alternativa potencial aos antibióticos tradicionais, por terem evoluído para atacar vulnerabilidades de bactérias concorrentes. Entre os alvos referidos estão os invólucros celulares e componentes essenciais da maquinaria intracelular. A DeepMind afirma que este tipo de pressão pode dificultar o desenvolvimento de resistência, mas o material fornecido não inclui uma comparação independente que permita medir essa possibilidade.
A empresa enquadra o trabalho no aumento da resistência antimicrobiana e cita uma estimativa de até 10 milhões de mortes anuais em todo o mundo até 2050. Refere também que o crescimento da sequenciação genómica e metagenómica levou à presença de milhares de milhões de sequências naturais de aminoácidos em bases de dados globais. Entre as bacteriocinas já utilizadas à escala global, a publicação aponta a nisina como exemplo.
A descrição é um percurso técnico apresentado pela própria Google DeepMind. A informação disponível identifica um candidato com atividade prevista, mas não apresenta resultados da validação laboratorial, nem dados sobre segurança, eficácia em pessoas ou desenvolvimento clínico. Por isso, não permite concluir que o candidato seja um tratamento eficaz. O próximo passo referido pela empresa é a validação em laboratório, uma etapa necessária para testar as previsões computacionais.
Porque importa
A exploração computacional de grandes bases de sequências pode ajudar a procurar candidatos a antimicrobianos. Neste caso, porém, a atividade indicada é uma previsão e o candidato ainda está em validação laboratorial, não sendo possível inferir eficácia clínica.