devgo.cn抗生素耐药性正成为全球最紧迫的健康危机之一，有预测称到 2050 年每年可能导致 1000 万人死亡。但新药研发的起点——寻找候选分子——却是个出了名的慢活、累活：研究者要在多个数据库之间来回切换，写脚本查询、手动导出文件到 3D 建模程序、管理一堆互不相通的基因组工具，最后还得靠专家经验人工筛选。谷歌这次展示的 Antigravity 平台，想把这套碎片化流程压缩成一次对话式的人机协作会话。
Antigravity 是谷歌的 agentic 开发平台，这次他们把它定位成“智能体科学工作台”。核心思路是：研究者设定一个聚焦的生物目标，AI agent 负责跨数据库编排、结构分析和文献综合这些重活，双方在一个共享的 3D 可视化画布上协同工作。
文章用了一个具体案例来演示整个流程：在 Streptococcus pseudopneumoniae（一种与呼吸道感染相关的链球菌）中寻找新型抗菌肽。抗菌肽（AMPs，一类天然具有抗菌功能的小分子蛋白质）特别是细菌素（bacteriocins，由细菌产生的能杀死其他细菌的肽类物质），被认为是传统抗生素的有力替代品，因为它们天然演化出针对竞争对手细菌关键弱点的攻击方式，从细胞包膜到核心胞内机器，病原体很难对其产生耐药性。
难点在于：基因组和宏基因组测序的指数级增长，让全球数据库里积累了数十亿条天然氨基酸序列。像 Nisin（乳链菌肽，一种已商业化的细菌素）、Darobactin、Dynobactin、Lariocidin 这些成果都是从这些数据里挖出来的。但绝大多数序列仍然锁在蛋白质数据库的“暗物质”里——它们与已知蛋白不相似，功能完全未知。以 UniProt（全球最权威的蛋白质序列与功能信息公共资源库）为例，里面存着数百万条直接来自基因组测序项目、功能未知的序列。
谷歌的解法是 ProtNLM（Protein Natural Language Model，蛋白质自然语言模型），一个直接学习氨基酸序列背后演化“语法”的深度学习模型。它能从原始蛋白质序列直接预测生物学功能，给数百万条原本没有名字的 UniProt 条目打上高置信度的功能标签。这一步很关键：它把“未知”变成了“可搜索”，让 agent 能在海量数据里做有意义的筛选。
整个协作过程是迭代式的。研究者和 agent 先设定目标，然后在一个多轮对话会话中，研究者负责把控科学策略——决定问什么问题、收集什么证据——agent 则处理跨数据库检索、结构分析、文献综合这些重活。文章里发现的候选分子是一个有生物学合理性的 lead（候选物），有结构和基因组证据支撑，但还需要湿实验验证。
最让我意外的是那个 Biomolecular Structure Viewer（生物分子结构查看器），一个直接嵌入 Antigravity 的 3D 可视化工具。它让研究者和 agent 共享同一个视觉状态：agent 从 AlphaFold Database 或研究者自己的预测中取回结构时，能动态驱动查看器，高亮关键功能区域来解释它的假设。而且这种感知是双向的——研究者在 3D 空间里标记某个残基或直接在结合口袋上钉笔记，这些操作会同步回传给 agent。你可以直接在 3D 结构上圈一个区域问：“这个 β-折叠片会不会影响 Lipid II 结合？”agent 就能立刻在你正在看的那个精确结构上下文上推理。
这个设计解决了一个很实际的问题：以前结构分析工具和序列检索工具是割裂的，你在一端看到的信息很难无缝带到另一端。共享画布把“看”和“问”合在了一起，沟通成本大幅降低。
这个思路对做 AI 辅助科研工具的人很有启发。它没有试图取代科学家，而是把 agent 定位成“能干活但需要人指方向的协作者”，同时用共享可视化界面解决人机之间的上下文对齐问题。对做生物信息学、药物发现、蛋白质工程这类需要大量数据库检索和结构分析的场景，这套“对话 + 共享 3D 画布”的模式可以直接借鉴。要注意的坑是：agent 给出的候选仍然需要湿实验验证，AI 筛选只能缩小搜索空间，不能替代实验；另外 ProtNLM 的预测是“高置信度”而非“确定”，最终还是要靠人来判断。
内容与图片版权归原作者所有 · 原文: https://deepmind.google/blog/accelerating-antimicrobial-discovery/