对抗超级细菌：谷歌 Antigravity 平台用 AI 找到一种新型抗菌肽候选分子

抗生素耐药性正在把“普通感染”重新变成致命威胁，而新抗生素的研发却以缓慢、昂贵、高失败率著称。10 月 15 日，谷歌方面披露，其智能开发平台 Google Antigravity 已被用于加速抗菌肽发现，并且研究人员借此找到了一种新型抗菌肽候选分子，目前正在进行湿实验室验证。

一分钟速览

• Google Antigravity 提供面向生物学的智能科学工作台，把跨数据库搜索整合进单次会话；
• 借助 ProtNLM 模型，可从氨基酸序列直接预测生物功能，为海量未标注 UniProt 条目补充高置信度标注；
• 研究人员已发现一种对呼吸道感染病原体预测有活性的候选抗菌肽；
• 平台内置三维结构可视化，研究者与智能体可在同一 3D 画布上协作；
• 目标是把原本需要数天的数据库筛查，压缩成一次协作会话。

把“暗物质”变成可用线索

抗菌肽，尤其细菌素，是传统抗生素很有前景的替代品：它们天然进化出靶向细菌基础弱点的能力，病原体不容易产生耐药性。问题在于，全球数据库里已经积累了数十亿条天然氨基酸序列，但大量序列的功能仍未被标注，长期处于“暗物质”状态。谷歌的 ProtNLM 深度学习模型尝试直接读取氨基酸序列里的进化“语法”，从原始蛋白质序列预测生物功能，从而为大量 UniProt 条目补上高置信度标注——这一步，等于给后续筛选提供了可检索的入口。没有这层标注，研究人员面对的就是一堆无法判断用途的序列。

智能体做苦力，研究者做判断

Antigravity 的使用方式值得一提：研究者设定生物学目标、把控研究策略，AI 智能体承担跨数据库协调、结构分析和文献综合这些繁重工作。平台还内置分子结构三维查看器，智能体可从 AlphaFold 数据库获取结构、动态驱动可视化并高亮关键功能区，研究者则能在 3D 空间里标记感兴趣区域并提问，形成基于结构的交互式研究。原先需要依赖多套分散专业软件的流程，被收进同一处，研究者无需在多个系统之间来回切换、手工搬运数据。

AI 做科研，先解决“找不到”

这类案例的真正价值，未必是“AI 发现了新药”，而是它把科研流程里最耗时的搜索与整合环节大幅压缩，让科学家把时间还给假设验证与实验设计。相比之下，候选分子能否通过湿实验验证仍待观察，失败也是常态。但“智能体 + 领域模型 + 可视化工作台”的组合，正在成为 AI 参与科学发现的一种可复用范式：把 AI 放在信息处理与线索排序的位置，把判断权和责任留在人这一侧。对制药行业来说，这套模式如果能稳定跑通，缩短的将不只是某一环节的时间，而是整个早期发现周期的节奏。