La resistència als antibiòtics és una de les grans amenaces sanitàries: el text de DeepMind recorda l'estimació de 10 milions de morts anuals el 2050. Una via de recerca són els pèptids antimicrobians, proteïnes petites que alguns bacteris fabriquen per eliminar-ne d'altres. Les bases de dades tenen milions de seqüències de les quals no se sap la funció, i hi pot haver candidats amagats.
Cinc investigadors de Google DeepMind, entre els quals Lucy Colwell, han fet servir Antigravity, la plataforma d'agents de programació de Google, com a banc de treball científic. L'agent va cercar a UniProt amb el model ProtNLM per predir funcions, va comprovar amb BLAST que la seqüència no s'assemblés a cap proteïna revisada de Swiss-Prot, va comparar l'estructura prevista amb la base d'AlphaFold i va analitzar els gens veïns. El candidat principal és una bacteriocina de 97 aminoàcids de la família lactococcina 972, d'*Streptococcus pseudopneumoniae*. No té cap homòleg clar a Swiss-Prot, la seva estructura prevista s'assembla a la d'una bacteriocina coneguda i és a sis parells de bases d'un gen d'un transportador, cosa que els autors llegeixen com un indici que el sistema és funcional.
Segons el text, el mateix flux va donar altres candidats, i tots són ara en validació al laboratori. L'interès és de procediment: un agent encadena en poques hores consultes a bases de dades, models d'estructura i bibliografia que abans exigien molta feina manual.
Cal llegir-ho com un anunci de mètode, no com un descobriment. No és un article revisat per parells ni s'hi esmenta cap preprint, l'exemple és una finestra estreta de seqüències d'una sola espècie, el mecanisme i els patògens que podria afectar vénen de bibliografia i no d'experiments, i no s'hi dona cap mesura d'activitat antimicrobiana. Fins que no passi proves al laboratori, és una hipòtesi.