谷歌 Antigravity 整合 AI 蛋白质分析，发现抗菌肽候选分子

据 IT之家 10 月 16 日报道，谷歌 Google Antigravity 智能开发平台正被用于抗菌肽发现：研究人员借助其科学工作台与 AI 智能体，完成跨数据库搜索、蛋白质功能预测和结构评估，并找到一种预测对呼吸道感染病原体具有活性的抗菌肽候选分子。该候选分子目前仍在进行湿实验室验证，计算预测尚不能等同于已证实的抗菌效果。

从海量序列中寻找抗菌线索

抗生素耐药性加剧，使新型抗菌药物的寻找更加迫切，但传统研发需要经历繁复的资料检索、候选筛选与实验验证。抗菌肽，尤其是细菌素，被视为值得探索的方向。据来源介绍，这类物质天然具备针对细菌基础弱点的作用能力，具有应对耐药性问题的潜力，但具体候选分子的效果仍需逐一验证。

研究的难点之一，是已有序列数据远多于已知功能。全球数据库积累了数十亿天然氨基酸序列，其中大量条目仍缺少功能标注。Antigravity 引入谷歌的 ProtNLM 深度学习模型，帮助研究者扫描 UniProt 中数百万未表征蛋白质，直接根据氨基酸序列预测生物功能，为筛选提供线索。

ProtNLM 的作用，是把尚未被充分理解的序列转化为可供研究者判断的功能假设。据报道，该模型已为大量 UniProt 条目补充高置信度功能标注。不过，标注置信度与实验确认属于不同层面的证据，不能混为一谈。

AI 智能体如何串起科学工作流

Antigravity 的重点不只是提供一个预测模型，而是将原本分散在多个数据库和专业软件中的操作整合起来。研究者设定生物学目标、决定研究策略，智能体承担资料协调、结构分析与文献综合等工作。

• 跨库检索：把需要数天的分散数据库筛选，整合为单次协作会话。
• 功能预测：利用 ProtNLM 从未表征序列中寻找具有研究价值的蛋白质线索。
• 结构交互：通过 Biomolecular Structure Viewer，在共享三维画布上查看和讨论分子结构。

据来源介绍，智能体可以从 AlphaFold 数据库获取结构，驱动可视化并高亮关键功能区域；研究者也能在三维空间中标记感兴趣的位置，进一步提问。这让结构查看不再只是独立的软件操作，而成为研究者与智能体共同推理的交互环节。

影响：加速候选筛选，而非跳过实验

从 AI 工具与科研软件的发展看，这一案例体现了智能体从信息问答走向专业工作流的趋势。模型负责提供预测，智能体协调工具与数据，研究者则保留目标设定和科学判断的主导权。其潜在价值，是减少跨系统操作与信息整理的负担，让科研人员把精力投入更有价值的假设验证。

目前能够确认的进展是发现候选分子，而不是完成新药研发。预测活性是否成立，仍有待湿实验室结果支持。对这类平台的评价，也应区分“更快找到值得测试的对象”和“最终获得有效药物”：前者展现了 AI 辅助科研的效率价值，后者仍需要后续实验与研究给出答案。