Google Antigravity 如何加速抗菌肽候选分子的发现
发生了什么
Google DeepMind 在 10 月 15 日的 Science 博客中介绍，其智能体开发平台 Google Antigravity 被用于抗菌肽（AMP）的发现流程。文章给出的场景是：研究者在 Streptococcus pseudopneumoniae 中设定目标，寻找并计算验证新型抗菌肽，最终得到一个候选细菌素，该候选对呼吸道感染相关病原体具有预测活性，目前正在进行湿实验验证。
按照原文描述，Antigravity 提供的是一个智能体科学工作台，把原本分散在多个数据库中的检索压缩到一次会话内。它借助 ProtNLM 模型扫描 UniProt 中大量功能未知的蛋白序列。ProtNLM 从氨基酸序列直接预测生物学功能，为未审核的 UniProtKB/TrEMBL 条目补充蛋白名称、功能注释、亚细胞定位、GO 术语和关键词等标签。
流程上，研究者负责提出问题和决定收集哪些证据，智能体承担跨数据库编排、结构分析和文献综合。原文强调，这一候选只是有结构与基因组证据支持的合理线索，仍需湿实验确认。
新增的结构查看器
文章同时介绍了嵌入 Antigravity 的 Biomolecular Structure Viewer。智能体从 AlphaFold Database 或研究者自己的预测中调取结构后，可以驱动这个 3D 视图，例如高亮关键功能区来解释假设。交互是双向的：研究者在结合口袋上标注残基或钉注释，这些动作会同步回智能体，研究者可以就眼前的结构片段直接提问。
编辑部观察
这篇材料的价值在于展示了一种人机分工方式，而不是宣布某个药物已经成立。原文明确把候选分子定位为待验证线索，预测活性不等于实验结果。
对关注 AI 辅助科研的读者，可留意两点。一是 ProtNLM 的作用范围是功能注释，解决的是序列已知但功能未标注的问题；二是 Antigravity 把检索、结构查看和对话放在同一界面，减少的是工具切换成本，原文没有给出耗时或成功率的具体数字。
实践建议
若要在自己的课题中参考这一流程，可先明确目标病原体和序列范围，再决定用哪些数据库和过滤条件；对智能体给出的功能预测，应回到原始注释和结构证据逐条核对，并把湿实验验证作为独立环节排期。
