Arzneimittelresistente Infektionen könnten bis 2050 schätzungsweise 10 Millionen Todesfälle pro Jahr verursachen, und die Suche nach neuen Antibiotika ist langsam, auch weil vielversprechende Moleküle in Datenbanken stecken, die niemand richtig gelesen hat. UniProt, die führende öffentliche Proteindatenbank, enthält Millionen Sequenzen mit unbekannter Funktion. Google DeepMind hat gezeigt, wie Biologen mit Google Antigravity, seiner agentischen Entwicklungsplattform, dieses Material in einer einzigen Arbeitssitzung durchforsten können, und wie diese Sitzung einen neuen antimikrobiellen Peptidkandidaten hervorbrachte, der nun im Labor getestet wird.
Der Ablauf verbindet eine Forscherin mit einem KI-Agenten. Ausgangspunkt ist ProtNLM, ein Google-Modell, das aus der Aminosäuresequenz vorhersagt, was ein Protein tut, und Millionen namenloser UniProt-Einträge mit Funktionsangaben versehen hat. Im Beispiel setzt die Forscherin ein Ziel, neue antimikrobielle Peptide im Bakterium Streptococcus pseudopneumoniae zu finden, und der Agent filtert Millionen Einträge auf eine Handvoll herunter. Er entscheidet sich für ein Protein mit 97 Aminosäuren aus der Familie Lactococcin 972 und prüft dessen Neuheit mit BLAST-Suchen und der vorhergesagten 3D-Struktur aus der AlphaFold-Datenbank, die einem bekannten Bakteriocin stark ähnelt. Er untersucht benachbarte Gene und findet Transport- und Regulationsgene, die die Annahme stützen, wertet die Literatur aus, um einen Mechanismus gegen die bakterielle Zellteilung vorzuschlagen, und entwirft ein Laborprotokoll für Expression, Empfindlichkeitstests und Toxizität.
Den Wert sieht DeepMind nicht in einem einzelnen Molekül, sondern in Zeit. Was früher eigene Skripte, exportierte Dateien, separate Modellierungsprogramme und mehrere Fachleute erforderte, wird zu einer gemeinsamen Sitzung mit einem geteilten 3D-Strukturbetrachter, den Wissenschaftlerin und Agent gleichermaßen markieren können. Weil Laborvalidierung teuer ist, liegt die Ersparnis darin, das Feld vor jedem Experiment auf die stärksten Kandidaten einzugrenzen.
Für Leser, die Antigravity verfolgen, das wir als Programmierplattform besprechen, zeigt dies, wie Google es zu einer agentischen Werkbank für die Wissenschaft erweitert. Es passt auch zu einem Muster über Labore hinweg: OpenAIs Tausende GPT-Rosalind-Agenten, die einen Mäusehirn-Atlas auswerten, Anthropics Gastforschungsprojekte in der Biologie. Alle setzen darauf, dass Agenten den langen Schwanz biologischer Daten schneller lesen als Menschen.
Die Grenzen stehen in DeepMinds eigenem Text. Der Kandidat ist eine biologisch plausible Spur, gestützt durch strukturelle und genomische Belege, mehr nicht; seine Wirkung gegen Atemwegserreger ist vorhergesagt, nicht gemessen, und er wird zusammen mit weiteren Kandidaten aus derselben Pipeline im Labor geprüft. Der Beitrag nennt keine Trefferquoten, keine Zeiten und keinen Vergleich damit, wie lange dieselbe Suche ohne Agent dauert. Bis Laborergebnisse vorliegen, zeigt das einen Arbeitsablauf, keine Entdeckung.