Google DeepMind lance un agent IA pour chercher des peptides antimicrobiens parmi des millions de protéines

Le 15 octobre, Google DeepMind a publié une démonstration technique dans laquelle un agent IA parcourt toute la chaîne, des millions de séquences protéiques jusqu'à une liste de candidats peptides antimicrobiens prêts pour une vérification expérimentale. L'information vient du média Jiqizhixin. Il s'agit de la démonstration d'une approche, pas d'un rapport d'essais cliniques. Mais le choix de la tâche montre où DeepMind oriente ses systèmes agentiques : hors des interfaces de chat, vers un pipeline scientifique qui débouche sur de vraies éprouvettes.

Le problème : les données existent, pas les annotations

La résistance des bactéries aux antibiotiques progresse, et la recherche de nouvelles molécules antimicrobiennes reste lente et coûteuse. L'humanité a pourtant déjà accumulé d'immenses bases de séquences protéiques. Le problème : la fonction d'une part notable de ces protéines est inconnue. Certaines peuvent très bien être des molécules à activité antimicrobienne, mais les annotations existantes ne permettent pas de les repérer. La recherche classique par homologie s'appuie sur la ressemblance avec des protéines déjà connues, alors qu'une nouvelle classe de peptides peut ne ressembler à rien de familier.

C'est ce massif « obscur » que DeepMind a choisi comme terrain pour son agent : il s'agit de trier des millions de séquences pour n'en garder qu'un petit nombre, celles qui méritent d'être synthétisées et testées.

Ce que l'on sait du projet

D'après le fragment accessible de la publication, le tableau est le suivant :

• Entrée : des millions de séquences protéiques, y compris de fonction indéterminée.
• Exécutant : un agent IA qui mène la recherche et la sélection comme un processus en plusieurs étapes.
• Sortie : des candidats expérimentaux au statut de peptides antimicrobiens.
• Format : une démonstration technique datée du 15 octobre, et non un article revu par des pairs.
• Non divulgué dans le texte accessible : l'architecture de l'agent, les modèles utilisés, la taille de la liste finale, la proportion de candidats confirmés en laboratoire.

Le dernier point est le plus important. Sans chiffres sur la vérification en laboratoire, impossible d'évaluer la valeur pratique de la méthode. Les pipelines de calcul produisent généralement sans effort de belles listes. Les difficultés commencent quand on synthétise les peptides et qu'on les teste sur des cultures vivantes.

Où ces projets échouent

Les peptides antimicrobiens présentent des pièges classiques. Une molécule peut tuer des bactéries in vitro et, dans le même temps, endommager des cellules humaines. Elle peut se dégrader rapidement dans l'organisme ou fonctionner mal dans des conditions proches du réel. La chaîne « prédire, synthétiser, vérifier » coûte donc plus cher que ne le laisse penser le schéma, et chaque étape élimine une part importante des candidats.

L'approche agentique est ici potentiellement utile non pas grâce à un unique modèle performant, mais grâce à l'automatisation des tâches routinières. Sélection des caractéristiques, filtrage, requêtes répétées à des outils, classement : tout ce qui demandait auparavant le travail manuel d'un bio-informaticien peut être confié à un système qui décide lui-même de la prochaine étape. La qualité de la mise en œuvre chez DeepMind ne deviendra claire qu'avec la publication de détails.

Ce qu'il faut surveiller ensuite

Pour les équipes de biotech et les ingénieurs ML, une courte liste de contrôle est utile. Quand les données complètes seront disponibles, il faudra d'abord chercher :

• la proportion de candidats à l'activité confirmée contre des souches résistantes ;
• les données de toxicité pour les cellules humaines, y compris l'hémolyse ;
• la comparaison avec des méthodes de recherche de référence, et pas seulement avec une sélection aléatoire ;
• la reproductibilité : le code, la liste des séquences et les protocoles sont-ils ouverts ?

Si ces points sont couverts, DeepMind disposera de l'un des rares exemples où un agent, en science, se mesure non à une démonstration, mais au nombre de molécules qui fonctionnent. Sinon, il restera une présentation soignée d'une méthode. En attendant, il est plus honnête de voir dans cette publication l'annonce d'une approche, dont le laboratoire déterminera les résultats.