Antibiotiques : DeepMind teste un agent pour dénicher des peptides

Google DeepMind a publié le 15 octobre 2026 une démonstration technique où des biologistes utilisent Google Antigravity, sa plateforme de développement agentique, pour repérer un candidat peptide antimicrobien inédit chez Streptococcus pseudopneumoniae. Le résultat reste en validation wet lab, mais il illustre une piste très concrète face à l’antibiorésistance, que la note associe à jusqu’à 10 millions de décès annuels dans le monde d’ici 2050. Un rappel utile : les bactéries, elles, ne lisent pas les communiqués de presse.

Un agent qui cherche, mais ne tranche pas seul

Dans le walkthrough signé par Pengfei Tian, Maxwell L. Bileschi, Zoi Tsangalidou, Sukhdeep Singh et Lucy J. Colwell, le chercheur fixe le cap scientifique et l’agent orchestre les bases de données, l’analyse structurale et la synthèse bibliographique. Google DeepMind présente cette répartition des tâches comme le cœur d’Antigravity : l’humain pose les questions, la machine accélère la recherche de candidats. L’interface montrée dans le billet s’appuie sur Gemini 3.8 Flash.

Le point de départ est précis : trouver des peptides antimicrobiens nouveaux, en particulier des bactériocines, c’est-à-dire des peptides produits naturellement par des bactéries pour en combattre d’autres. DeepMind rappelle que ces molécules peuvent cibler l’enveloppe cellulaire ou des machines intracellulaires essentielles, ce qui en fait des alternatives étudiées aux antibiotiques classiques. Le billet relie ce travail à l’explosion des séquences génétiques disponibles, sans que la fonction de toutes soit connue.

Du tri dans UniProt à un candidat de 97 acides aminés

L’agent interroge UniProt, filtre des millions d’entrées et isole un peptide identifié sous l’ID A0A0U0D591. Ce candidat, long de 97 acides aminés, appartient à la famille Lactococcin 972 et serait actif contre des pathogènes liés aux infections respiratoires. Pour vérifier qu’il ne s’agit pas d’un doublon déguisé, le chercheur lui fait lancer une recherche BLAST sur des protéines Swiss-Prot ; le billet indique qu’aucun homologue de séquence réellement pertinent n’a été trouvé parmi les protéines relues manuellement.

DeepMind pousse ensuite l’analyse plus loin avec la structure 3D prédite, récupérée depuis l’AlphaFold Protein Structure Database, puis comparée via Foldseek à des structures déterminées expérimentalement. Selon le post, la forme obtenue correspond étroitement à celle d’une bactériocine connue. L’environnement génomique renforce l’hypothèse : le peptide se situe à 6 paires de bases en amont d’un opéron associé à un transporteur ABC, à une autre bactériocine annotée et à un régulateur XRE.

Quand la biologie devient un cas d’usage pour les agents

Le plus intéressant, ici, n’est pas seulement le candidat trouvé. C’est la manière dont l’agent passe d’une intuition à un protocole de laboratoire : expression protéique, tests de sensibilité antimicrobienne, engagement de cible et toxicité in vitro. Autrement dit, l’IA ne “découvre” pas une molécule toute cuite ; elle propose une piste structurée que des biologistes doivent ensuite casser ou confirmer.

DeepMind dit aussi avoir enrichi des millions d’entrées UniProt jusque-là non annotées grâce à ProtNLM, son modèle de langage appliqué aux protéines, entraîné à prédire une fonction biologique à partir de séquences brutes. Dans ce cadre, la promesse est moins spectaculaire qu’un slogan de salon, mais plus utile : réduire le temps perdu à naviguer entre bases de données, publications et outils dispersés.

Antigravity veut réunir bases, visuel 3D et scripts reproductibles

La brique Biomolecular Structure Viewer complète cette logique. Intégrée à Antigravity, elle permet au chercheur et à l’agent de partager une vue 3D, d’épingler des notes sur une poche de liaison ou de surligner des résidus, puis de synchroniser ces annotations avec le raisonnement de l’agent. DeepMind donne l’exemple d’une interrogation sur l’effet d’une β-strand sur la liaison à Lipid II ; la question est technique, mais le principe est simple : voir la même structure au même moment aide à discuter des mêmes hypothèses.

Sur sa page science, Google décrit aussi un environnement plus large avec des plugins, skills, sous-agents et hooks pour plus de 30 bases de données majeures des sciences du vivant, dont UniProt, PubChem et ChEMBL. La société indique que l’accès à des modèles et bases comme AlphaGenome, l’AlphaFold Database et Atlas peut se faire depuis le même espace de recherche, avec génération de rendus PyMOL, scripts reproductibles et artefacts vérifiables. L’offre est annoncée sur macOS, Windows, Linux et Googlebook [à vérifier].