Google Antigravity repère un candidat peptide antimicrobien de 97 acides aminés

Google DeepMind a publié une analyse détaillant comment des biologistes ont utilisé la plateforme agentique Antigravity pour identifier un candidat à de nouveaux peptides antimicrobiens. Le résultat : une bactériocine de 97 acides aminés dont l'activité prédite cible des agents pathogènes d'infections respiratoires. Elle est actuellement testée en laboratoire ; il s'agit donc pour l'instant d'une hypothèse computationnelle, et non d'un médicament abouti. Le processus n'en est pas moins intéressant : un travail qui s'éparpillait auparavant entre plusieurs bases de données et outils tient désormais dans une seule session interactive.

Pourquoi chercher dans la « matière noire »

La résistance aux antimicrobiens reste l'un des principaux problèmes de santé publique. Selon les estimations des auteurs, elle pourrait causer 10 millions de décès par an d'ici 2050. Les peptides antimicrobiens, en particulier les bactériocines, passent pour une alternative prometteuse aux antibiotiques classiques. L'évolution les a façonnés pour frapper les vulnérabilités fondamentales des bactéries concurrentes, de l'enveloppe cellulaire aux mécanismes intracellulaires, et les pathogènes ont plus de mal à développer une résistance.

Il existe des précédents : la Nisin est utilisée dans le monde entier, tandis que Darobactin, Dynobactin et Lariocidin comptent parmi les découvertes récentes tirées de l'analyse de génomes. Le problème, c'est que la plupart des séquences des bases publiques ne sont pas annotées. UniProt contient des millions de protéines de fonction inconnue : elles sortent tout droit de projets génomiques et ne ressemblent à aucune protéine étudiée, si bien que la recherche classique par similarité ne les détecte pas.

Comment fonctionne l'association d'Antigravity et de ProtNLM

C'est là qu'intervient ProtNLM, un modèle de langage pour les protéines. Il est entraîné à lire la « grammaire » évolutive des séquences d'acides aminés et à en prédire les noms de protéines, les commentaires sur leur fonction, leur localisation dans la cellule, les termes GO et les mots-clés. Le modèle a déjà enrichi des millions d'entrées non annotées d'UniProt.

Antigravity ajoute une couche d'orchestration. Le chercheur définit l'objectif : trouver et valider par le calcul de nouveaux AMP chez Streptococcus pseudopneumoniae. Il mène ensuite un dialogue en plusieurs étapes, en décidant quelles questions poser et quelles preuves rassembler. L'agent prend en charge le travail de routine : il parcourt les bases, analyse les structures et synthétise la littérature.

Dans l'exemple détaillé, la chaîne se déroule ainsi :

• l'agent réduit des millions d'entrées à quelques candidats et repère la bactériocine A0A0U0D591, longue de 97 acides aminés, de la famille Lactococcin 972 ;
• la nouveauté est vérifiée via le service EMBL-EBI NCBI-BLAST sur Swiss-Prot : parmi les protéines vérifiées manuellement, il n'y a pas d'homologue significatif ;
• le modèle 3D du candidat est tiré de l'AlphaFold Protein Structure Database, puis l'agent cherche des homologues distants parmi les structures déterminées expérimentalement et superpose les modèles ;
• le repliement (fold) s'est révélé proche de celui d'une bactériocine étudiée expérimentalement, ce qui confirme la prédiction de ProtNLM ;
• résultat : une activité prédite contre des agents pathogènes d'infections respiratoires et la transmission de la piste (lead) à la validation wet-lab.

Ce qui n'est pas encore démontré

La principale réserve figure dans le texte lui-même : la vérification en laboratoire est en cours. La similarité structurale et l'absence d'homologues dans Swiss-Prot font monter le candidat dans l'ordre de priorité, mais elles ne garantissent pas que le peptide tuera des bactéries in vitro, et encore moins qu'il sera sûr et stable dans l'organisme. L'absence d'homologues dans une base curée ne signifie pas non plus une nouveauté absolue. La publication présente une méthode et un seul exemple ; dans la partie accessible du document, il n'y a pas de statistiques de réussite sur un ensemble de candidats.

La logique reste toutefois raisonnable. L'humain garde le rôle de celui qui formule les hypothèses, l'agent réduit le coût de chaque vérification, et les sources de vérification sont indépendantes : séquence, structure, littérature.

Ce qu'il faut en retenir

Pour les laboratoires et les équipes biotech, le signal est simple : les plateformes agentiques commencent à couvrir l'étape « trouver et classer » avant que les réactifs et le temps du personnel ne soient engagés. Si vous travaillez avec des données génomiques, il vaut la peine de monter un pipeline équivalent à partir de composants ouverts : UniProt, BLAST, AlphaFold DB et un outil de visualisation des structures. Ce n'est pas le nombre de candidats trouvés qui fera la valeur de la méthode, mais la part de ceux confirmés en wet-lab. Ce sont ces chiffres qu'il faut attendre de Google par la suite.