Google Antigravity encontra candidato a peptídeo antimicrobiano entre 97 aminoácidos

O Google DeepMind publicou uma análise de como biólogos usaram a plataforma agêntica Antigravity para encontrar um candidato a novo peptídeo antimicrobiano. O resultado é uma bacteriocina de 97 aminoácidos com atividade prevista contra patógenos de infecções respiratórias. Ela está sendo testada em laboratório, então por ora é uma hipótese computacional, e não um medicamento pronto. Mesmo assim, o processo chama atenção: um trabalho que antes se espalhava por várias bases de dados e ferramentas coube em uma única sessão interativa.

Por que procurar na «matéria escura»

A resistência antimicrobiana continua sendo um dos principais problemas de saúde pública. Segundo estimativa dos autores, até 2050 ela pode causar 10 milhões de mortes por ano. Os peptídeos antimicrobianos, especialmente as bacteriocinas, são considerados uma alternativa promissora aos antibióticos clássicos. Evolutivamente, eles são ajustados para atacar vulnerabilidades básicas de bactérias concorrentes, da membrana celular aos mecanismos intracelulares, o que dificulta o desenvolvimento de resistência pelos patógenos.

Há precedentes: a Nisin é usada no mundo todo, e Darobactin, Dynobactin e Lariocidin foram descobertas recentes, extraídas de genomas. O problema é que a maior parte das sequências nas bases públicas não tem anotação. O UniProt reúne milhões de proteínas de função desconhecida. Elas vieram direto de projetos genômicos e não se parecem com proteínas já estudadas, por isso a busca clássica por similaridade não as enxerga.

Como funciona a combinação de Antigravity e ProtNLM

É aí que entra o ProtNLM, um modelo de linguagem para proteínas. Ele foi treinado para ler a «gramática» evolutiva das sequências de aminoácidos e prever, a partir delas, nomes de proteínas, comentários sobre função, localização na célula, termos GO e palavras-chave. O modelo já enriqueceu milhões de registros não anotados do UniProt.

O Antigravity adiciona uma camada de orquestração. O pesquisador define o objetivo: encontrar e verificar computacionalmente novos AMP em Streptococcus pseudopneumoniae. Em seguida, conduz um diálogo em várias etapas e decide que perguntas fazer e que evidências reunir. O agente cuida do trabalho de rotina: percorre as bases, analisa estruturas e sintetiza a literatura.

No exemplo analisado, a cadeia funciona assim:

• o agente filtra milhões de registros até chegar a alguns candidatos e encontra a bacteriocina A0A0U0D591, de 97 aminoácidos, da família Lactococcin 972;
• a novidade é verificada pelo serviço EMBL-EBI NCBI-BLAST contra o Swiss-Prot: entre as proteínas revisadas manualmente, não há homólogos significativos;
• o modelo 3D do candidato vem do AlphaFold Protein Structure Database, e o agente busca homólogos distantes entre estruturas determinadas experimentalmente e sobrepõe os modelos;
• o fold se mostrou próximo ao de uma bacteriocina estudada experimentalmente, o que confirma a previsão do ProtNLM;
• resultado: atividade prevista contra patógenos de infecções respiratórias e envio do lead para validação em wet-lab.

O que ainda não está comprovado

A principal ressalva está no próprio texto: a verificação em laboratório está em andamento. A semelhança estrutural e a ausência de homólogos no Swiss-Prot aumentam a prioridade do candidato, mas não garantem que o peptídeo mate bactérias in vitro, muito menos que seja seguro e estável no organismo. A ausência de homólogos em uma base curada também não equivale a novidade absoluta. A publicação mostra o método e um único exemplo, e a parte do material disponível não traz estatísticas de acerto para um conjunto maior de candidatos.

Ainda assim, a lógica é razoável. O humano continua no papel de formular hipóteses, o agente reduz o custo de cada verificação, e as fontes de checagem são independentes: sequência, estrutura e literatura.

Conclusão prática

Para laboratórios e equipes de biotecnologia, o sinal é simples: as plataformas agênticas começam a cobrir a etapa de «encontrar e ranquear» antes que se gastem reagentes e horas de pesquisadores. Quem trabalha com dados genômicos pode montar um pipeline equivalente com componentes abertos: UniProt, BLAST, AlphaFold DB e visualização de estruturas. O valor não dependerá do número de candidatos encontrados, mas da proporção dos que forem confirmados em wet-lab. São esses números que vale esperar do Google daqui para frente.