Google Antigravity 抗菌发现压缩搜索流程，但实验室仍是最终裁决者

Google 已将 Antigravity 引入抗菌研究，把原本涉及数百万条蛋白质记录的搜索转变为一次由智能体引导的会话。Google Antigravity 抗菌发现工作流产出了一种含 97 个氨基酸的候选肽，预测可对与呼吸道感染相关的病原体产生活性。但该候选物尚未通过最重要的检验：湿实验验证仍在进行中。

这一差距定义了这项工作的意义。Antigravity 并未交付一种可直接用于临床的新抗生素。它是在同一工作空间内连接数据库搜索、序列注释、结构比较、基因组分析、文献回顾和实验规划。Google 表示，这将过去需要数天、且分散进行的分析压缩为一次协作会话。

眼前的对手并不是另一家 AI 实验室，而是既有的发现流程：生物学家需要在 UniProt、序列比对服务、结构数据库、基因组工具、论文和本地脚本之间手动切换。Antigravity 挑战了这种碎片化，但它并未消除让抗菌药物开发变得困难的生物学不确定性。

Google Antigravity 抗菌发现从一种未表征蛋白质开始

重要变化在于，AI 智能体如今能够协调抗菌搜索，从最初的数据库查询一路推进至拟定的实验室计划。

Google DeepMind 于 2026 年 10 月 15 日发布了其技术演示。研究人员为 Antigravity 设定了一个明确目标：在 Streptococcus pseudopneumoniae 中寻找并以计算方法评估此前未被表征的抗菌肽。

抗菌肽（AMP）是能够抑制或杀死微生物的短生物分子。这一类别包括细菌素，即细菌为与其他细菌竞争而产生的肽。有些作用于细胞包膜，另一些则干扰目标细胞内的关键过程。

该智能体搜索 UniProt 条目，并将结果缩小至一小组候选物。重点候选物被标识为 UniProt A0A0U0D591，是一种含 97 个氨基酸、被归入 Lactococcin 972 家族的蛋白质。

这一归类来自 ProtNLM，这是一种可直接根据氨基酸序列预测生物学注释的蛋白质自然语言模型。该模型并非仅依赖与既往已表征蛋白质的近似匹配，而是读取从大量序列集合中学习到的模式。

这很重要，因为公共蛋白质数据库包含数量庞大的记录，它们来自基因组和宏基因组测序。许多记录缺乏详细的实验注释。其序列可供使用，但生物学功能仍不明确。

Google 将这些记录称为未注释的生物“暗物质”。当未知序列与熟悉的蛋白质不够相似时，传统搜索可能会错过有价值的候选物。ProtNLM 提供预测标签，供研究人员作为起点使用，而非将其视为已验证的生物学结论。

随后，Google 工作流通过多个计算层面对候选物进行测试。该智能体使用 BLAST（一种用于寻找相关生物序列的工具），将其序列与经人工审阅的 Swiss-Prot 蛋白质进行比对。Google 表示，该搜索未在这些已审阅记录中发现具有意义的序列同源物。

这一结果支持其新颖性，但并未证实其具有抗菌活性。序列显得陌生可能有多种原因，包括数据库覆盖不完整或进化分化。因此，研究人员从序列证据转向结构和基因组背景。

Antigravity 从 AlphaFold Protein Structure Database 获取预测的三维模型，随后搜索结构相似的蛋白质并对齐模型。Google 称，尽管没有具有意义的已审阅序列匹配，该候选物的折叠结构仍与一种经实验确定的细菌素高度相似。

该智能体还检查了相邻基因。它发现该候选物位于一个编码 ABC 转运蛋白通透酶的基因上游 6 个碱基对处。附近记录包括一个潜在的 ATP 结合伴侣、另一种已注释的细菌素，以及一种 XRE 转录调控因子。

这种排列与协调运作的细菌素系统一致。细菌经常将相关功能组织成操纵子，即一组彼此相邻、受到共同调控并共同表达的基因。尽管如此，基因组邻近性提供的是背景证据，而不是该肽能够杀死病原体的直接证明。

Antigravity 最后回顾相关文献，提出一种涉及细菌细胞分裂的作用机制，并确定该肽可能影响的病原体。它生成了一份实验计划，涵盖蛋白质表达、药敏测试、靶点结合和毒性评估。

因此，工作流在实验科学开始之处结束。Google 表示，重点候选物及其他若干候选物目前正在实验室中接受测试。

抗菌药物耐药性为何提高了风险

更快的候选物搜索之所以重要，是因为抗菌药物耐药性正在加剧，而从生物学先导物走向可用疗法的路径依然缓慢且筛选严格。

抗菌药物耐药性是指微生物能够在原本用于控制它们的药物作用下存活。对于细菌感染而言，耐药性可能让常规治疗变成一场漫长的药物筛选，寻找仍然有效的选择。

世界卫生组织的一份报告指出，2019 年估计有 127 万人死亡可直接归因于细菌性抗菌药物耐药性。该报告还记录了当年与细菌耐药性相关的 495 万例死亡。这两个类别并不相同，但都显示了WHO 评估所记录问题的规模。

这一负担并不意味着每一个计算得出的候选肽都具有同等价值。它意味着发现团队需要更好的方法，为稀缺的实验室能力排定优先级。合成分子、测量抗菌活性、评估毒性以及测试稳定性，都会消耗时间和材料。

Google Antigravity 抗菌发现方法瞄准了这一漏斗的前端。其目标是减少进入实验室的、证据不足或质量较弱的候选物数量。

这一区别至关重要。该工作流加速的是分诊筛选，也就是为需要进一步审查的选项排序。它并不会以同等幅度加速之后的每一个阶段。

一种在受控实验中能够抑制细菌的肽，仍可能因伤害人体细胞而失败。它可能在体内迅速降解、无法抵达感染部位，或被证实生产成本过高。其活性也可能随细菌种类、菌株、生长条件和给药方式而变化。

一篇关于AI 抗生素研究的综述指出，毒性、稳定性差、细胞穿透能力有限和合成成本，是抗菌肽面临的障碍之一。这些限制并不包含在简单的序列标签中。

这给两类群体带来压力。计算生物学家必须证明，整合型智能体能产出值得测试的候选物。实验研究人员则必须设计能够在投入更多资源前暴露薄弱预测的实验。

药物开发者面临不同的压力。他们需要证据证明，更快的计算搜索能够提高完整研发管线的生产率。只有在足够多的候选物通过验证并迈向可行疗法时，更充足的合理先导物供给才有帮助。

因此，Google 的演示正当其时，但并不是因为自主软件已取代药物生物学。它之所以及时，是因为测序创造了庞大的可搜索资源，而实验验证仍是一道狭窄的关口。

UniProt 体现了这种失衡。随着测序项目贡献新的蛋白质，其未审阅记录不断扩张；而专家审阅和实验室表征无法覆盖每一个条目。能够预测有用功能的模型，可以让这些材料更易于探索。

这一机会对细菌素尤为相关。这些肽是在微生物竞争中进化而来，能够揭示不同于既有抗生素的作用机制。研究人员已通过基因组挖掘发现多种值得关注的分子，包括 darobactin、dynobactin 和 lariocidin。

不过，天然来源并不保证安全性或临床实用性。数据库的价值在于其化学与生物学多样性，而不是承诺每一种预测的 AMP 都会成为药物。

Antigravity 的贡献既具有组织层面的意义，也具有预测层面的意义。它将现有证据组织成一个科学家能够检查、调整和质疑的序列。这可以帮助研究人员将更多实验室投入用于那些获得多条独立线索支持的候选物。

真正的进展是工作流压缩

Antigravity 最有力的主张并不是某一个模型解决了抗菌发现，而是一个智能体将此前彼此脱节的科学工具连接成一条可审查的推理链。

传统的计算发现往往像一场接力赛。一个脚本查询序列数据库，另一项服务搜索同源物，结构工具比较预测折叠，基因组浏览器显示相邻基因，文献搜索则提供已知机制和实验方法。

每次交接都会产生摩擦。研究人员需要导出文件、转换格式、记录标识符、管理脚本，并重建某个候选物为何通过一项筛选却在另一项筛选中失败的原因。不同专业人员可能使用不同工具，并维护各自独立的工作笔记。

Antigravity 用一个对话式工作空间取代了其中一部分交接。科学家提出生物学目标，并决定哪些证据重要。智能体调用相关资源、返回结果，并提出下一步分析建议。

这正是 Google Antigravity 抗菌发现与独立 AMP 分类器的不同之处。分类器通常为一个序列赋予分数或类别；Antigravity 则尝试管理围绕该预测展开的更广泛调查。

在这次重点展示的会话中，科学家仍负责把握方向。Google 的叙述多次提到，研究人员引导策略、选择问题，并决定收集哪些证据。智能体负责数据库协调、结构分析和文献综合。

这种分工很重要，因为发现过程很少遵循固定清单。一个可疑的结构匹配可能需要新的序列搜索；一个异常的基因组邻域可能改变值得关注的机制。新证据也可能推翻此前的排序。

Antigravity 还在工作空间中引入了 Biomolecular Structure Viewer。它展示三维蛋白质模型，同时与智能体共享视觉状态。研究人员可以高亮残基、将注释固定在某一区域，或询问某项结构特征。

智能体接收这一视觉背景，并可以围绕所选区域作出回应。它也可以指示查看器高亮与其假设相关的区域。Google 将这种双向状态呈现为一种让结构推理更具交互性的方式。

这一功能之所以重要，是因为生物结构很难仅用文本来概括。位置、形状、表面暴露程度以及残基之间的关系都可能影响功能。共享的可视化画布可以让人更容易审查智能体的解释。

但集成式界面不应被误认为等同于集成式证据。每个组成部分都有自身的不确定性。ProtNLM 预测功能。AlphaFold 预测结构。结构搜索识别相似性。文献综合提出机制。它们都无法直接测量候选物是否能在安全浓度下抑制病原体。

当这些不确定信号相互印证时，工作流程才会产生价值。相比仅由单一模型分数支持的候选物，具有 AMP 标签、类似细菌素的折叠结构、支持性的基因组邻域以及可信机制的候选物，更值得进一步关注。

这是一种证据叠加策略。它不会消除不确定性，但会让优先级排序的依据更加丰富且明确。

同样的模式可扩展至抗菌肽之外。科学家可以改变生物体、序列范围、功能目标或筛选标准。Google 表示，研究人员可通过相同的交互模型，搜索环境微生物、人体相关生物体以及 UniProt 中的其他区域。

不过，更广泛的应用将需要对数据库、模型版本、搜索参数和中间结果进行谨慎控制。科学结论需要可复现性，而不只是对话式操作的便利。其他团队应能够重建查阅过哪些记录，以及某个候选物为何排在另一个候选物之前。

这一需求区分了实用的研究助手与吸引人的演示。如果 Antigravity 能保留查询、工具输出、假设和模型溯源信息，它就能支持审查。如果关键步骤仍隐藏在智能体行为之中，信心将更难建立。

智能体搜索正在与专业化流程竞争

Google 正在进入一个机器学习已用于发现抗菌肽的领域，因此 Antigravity 必须证明，编排能力能够带来超越专业模型的价值。

AI 支持的抗菌药物发现早于这次演示。研究人员已经使用分类器、蛋白质语言模型、生成式系统和分子模拟来识别或设计肽候选物。

一项 2021 年研究将深度生成模型与分子动力学模拟结合。研究人员报告称，他们在 48 天内识别、合成并测试了 20 个候选物。其中两个对多种病原体显示出高效力，并且在所报告的实验中，对大肠杆菌诱导耐药性的倾向较低。

这项48 天研究说明了一个重要差异：它包含实验测试，而 Google 重点展示的 Antigravity 候选物仍处于验证阶段。这样的比较并不意味着某一种流程更优，但它设定了证据标准。

更新近的系统已筛选了规模巨大的虚拟空间。一项 2026 年发表于 Nature Communications 的研究评估了用于寻找靶向鲍曼不动杆菌肽的方法。研究人员为每种接受测试的流程配置，从包含 6400 万条六肽序列的虚拟文库中选出十个候选物。

其中一种配置使所有十个入选肽都表现出抗菌活性，包括一种报告最低抑菌浓度为每毫升 16 微克的肽。另一种配置则几乎失败，仅返回一种活性较弱的肽。

这些分歧结果颇具启发性。模型架构、训练数据、微调、排序和目标选择，都可能显著改变实验结果。精致的界面无法消除这些科学选择带来的影响。

Antigravity 提供的是不同层面的能力。它可以围绕天然存在的候选物汇集证据，并协调现有资源。专业化发现流程通常优化更狭窄的目标，例如预测针对某一种病原体的活性，或生成新序列。

两种方法都不会自动取代对方。专业模型或许能提供更好的目标特异性排序。智能体工作空间则可能帮助科学家结合结构、基因组背景和已发表证据来评估这些排序。

最强大的未来系统可能会结合两者。智能体可以在领域专用预测器之间进行选择，解释其局限性，比较相互冲突的分数，并为实验室审查准备候选物。Antigravity 当前的演示指向了这种编排角色。

Google 还受益于已经连接到蛋白质科学的组件。ProtNLM 提供基于序列的注释，而 AlphaFold 为许多蛋白质提供预测结构。Antigravity 可以在更广泛的研究中使用这些资源。

不过，对互联技术栈的依赖也带来另一个问题。研究人员需要知道，智能体选择工具是因为它们在科学上合适，还是因为它们在 Google 的环境中易于调用。

独立基准测试将很重要。Antigravity 最终应与专家主导的工作流程进行比较，并使用相同的起始数据库、生物学目标和实验室预算。可用指标包括候选物质量、科学家耗时、可复现性、假阳性率和实验命中率。

仅基于界面操作耗时的比较并不完整。该工具的目的不只是快速给出答案，而是在保持科学审视的同时改进实验选择。

现有竞争也在某种意义上使 Google 的公告更具可信度。AI 引导的肽发现并非一个纯属推测的类别。多个团队已产出具有实验活性的候选物。

与此同时，这段历史也提高了标准。新平台必须展示的不只是一个看似可信的分子和流畅的工作流程。它必须证明，相较于该领域中已经运作的专业方法和经验丰富的团队，自己具有可重复的优势。

湿实验结果将决定智能体是否选得准确

重点展示的肽是一项由计算证据支持的假设，而不是已经验证的抗菌物或治疗候选物。

Google 直接说明了这一限制。该候选物正在接受湿实验验证，实验结果将对智能体分析提供决定性的检验。

第一个问题是研究人员能否可靠地生产或合成该分子。有些预测肽由于长度、组成、折叠行为或易聚集的倾向而难以制造。

第二个问题是活性。研究人员需要确定最低抑菌浓度，即在既定条件下能够阻止可见细菌生长的最低测试浓度。他们必须在相关菌株和对照条件下重复这些测量。

第三个问题是选择性。能够损伤细菌细胞的分子也可能伤害人体细胞。溶血试验用于检测候选物是否会破坏红细胞，其他毒性测试则考察其对哺乳动物细胞的影响。

稳定性同样重要。蛋白酶能够降解肽，生物体液也会改变其活性。在简单培养基中有效的候选物，可能在血清、组织或动物模型中表现不同。

所提出的机制也需要验证。结构相似性和文献综述可以提示该肽可能干扰细菌细胞分裂。直接实验必须确认靶点结合，并排除其他解释。

Google 对呼吸道病原体的预测尤其值得谨慎看待。预测的活性谱并不等同于测得的抑制作用。它也无法证明该分子能够以安全且有效的浓度到达受感染的呼吸道部位。

基准研究解释了为何有必要保持怀疑。一项 2026 年研究推出了 QMAP，这是一项用于预测抗菌效力和溶血毒性的标准化基准。研究发现，接受评估的方法在高效力肽上的表现较差，而这恰恰是发现项目最看重的候选物。

QMAP 基准还凸显了数据集不一致的问题。测量结果可能随检测方案、生物体、实验室条件和报告实践而变化。在混合数据上训练的模型，可能学到无法良好泛化的模式。

序列相似性带来了另一项风险。如果高度相关的肽同时出现在训练数据和测试数据中，模型在真正新颖蛋白质上的准确性可能看起来高于实际水平。考虑同源性的评估会将相关序列分开，以提供更严格的测试。

这些问题直接适用于 ProtNLM 支持的发现流程。即使并不完美，预测标签仍可能有用，特别是作为更广泛证据链的一部分。然而，置信度分数和支持性匹配结果绝不能替代生物学测量。

智能体系统也引入了自身风险。智能体可能选择错误的数据库字段、误读标识符、忽略相互矛盾的证据，或从文献中构建看似可信但缺乏支持的机制。

科学用户需要能够访问中间证据。他们应看到提交的确切序列、数据库版本、比对输出、结构匹配、基因组坐标，以及用于证明每项主张的论文。

人工引导能降低部分风险，但专业知识依然不可或缺。研究人员必须能够识别智能体的推理何时与生物学知识相冲突，或某个看似强劲的结果何时依赖于薄弱的假设。

技术演示中还存在选择偏差。公众看到的是完成工作流程的候选物，而不一定能看到每一次查询、被放弃的线索、失败的工具调用或没有产出的分支。若没有完整交代，命中率仍然未知。

这并不意味着该演示没有信息价值。它意味着相关结果是重复搜索中的前瞻性表现。Antigravity 多久能优先选出一种活性肽？它的候选物又有多常满足毒性和稳定性要求？

湿实验失败并不能证明智能体研究毫无用处。候选物失败在药物发现中很常见。更具说明力的衡量标准是，该工作流程是否比合理的替代方案产出更好的实验候选组合。

同样，一个成功候选物只能验证那个案例，而不是整个平台。广泛的主张需要覆盖不同生物体、肽家族、研究团队和实验室的结果。

三项信号将表明 Antigravity 是否改变发现流程

下一阶段应按以下顺序进行评判：实验验证、可复现的工作流程证据，以及独立采用情况。

第一个信号是 A0A0U0D591 的湿实验结果，以及 Google 表示已进入测试的其他候选物。读者应关注测得的抗菌活性、相关菌株覆盖范围、毒性、稳定性，以及支持所提机制的证据。

积极的抑制数据将加强 Google 的主张，即 Antigravity 能够优先选择具有生物学价值的线索。负面结果不会抹去工作流程的效率，但会削弱一个核心论点：叠加的计算证据能够改善候选物选择。

披露质量将与头条结果同等重要。单一活性数值能提供的洞见有限。一份有说服力的报告应描述检测条件、对照、重复实验、浓度，以及候选物是如何被选出的。

第二个信号是可复现性。Google 应提供足够的工作流程细节，让另一团队能够追溯该搜索过程，或将其应用于可比目标。

这包括起始筛选标准、蛋白质数据库版本、ProtNLM 输出、序列搜索参数、结构比较、基因组邻域分析、文献来源，以及推进每个候选项的理由。还应明确研究人员在哪些环节进行了干预。

可复现的记录将更有力地证明，智能体科学能够支持可审计的研究。即使界面节省了时间，若结果依赖于无法恢复的聊天路径，这一论点也会被削弱。

第三个信号是原始 Google 团队之外的采用情况。外部生物学家需要检验该平台是否能帮助处理不同生物体、不同病原体优先级以及不同机构工作流程。

独立使用将揭示受控演示无法暴露的实际问题，包括数据库访问、模型可靠性、与私有实验数据的整合、权限、溯源，以及科学家的学习曲线。

采用情况不应仅通过账户数量或演示项目来衡量。更有价值的问题是，研究人员是否能设计出更好的实验，更早排除较弱候选项，并获得其他实验室能够验证的结果。

竞争将塑造这一阶段。专用 AMP 模型仍在持续改进，实验室自动化也可以从另一个方向缩短设计、构建和测试的周期。开放式科学智能体也可能连接同样的公共数据库，而不依赖单一供应商的工作空间。

如果 Google Antigravity 抗菌发现平台能够让异构证据更易于审查，同时保留专家控制，它将脱颖而出。若对话式便利掩盖模型错误，或阻碍独立重建，它将面临挑战。

这一更广泛的教训并不局限于抗生素。科学智能体最具可信度的前提，是它们降低协调成本，而非声称可以取代实验。生物学仍会给出最终答案。

对研究人员而言，眼下的行动很明确：关注实验室证据，审查每个候选项背后的链条，并将完整工作流程与现有方法进行比较。如果 Antigravity 能够反复将未经表征的序列转化为经验证的先导候选物，它将在抗菌药物发现中赢得有意义的角色。在这些结果到来之前，该平台加速了搜索，但尚未完成搜索。