Las infecciones resistentes a los fármacos podrían causar unos 10 millones de muertes al año en 2050, y la búsqueda de nuevos antibióticos es lenta, en parte porque las moléculas prometedoras están enterradas en bases de datos que nadie ha leído a fondo. UniProt, el principal recurso público de proteínas, contiene millones de secuencias de función desconocida. Google DeepMind ha mostrado cómo los biólogos pueden usar Google Antigravity, su plataforma de desarrollo con agentes, para escarbar en ese material en una sola sesión de trabajo, y cómo esa sesión dio con un nuevo candidato a péptido antimicrobiano que ya se está probando en el laboratorio.
El flujo de trabajo empareja a un investigador con un agente de IA. El punto de partida es ProtNLM, un modelo de Google que predice qué hace una proteína a partir de su secuencia de aminoácidos y que ha añadido etiquetas funcionales a millones de entradas sin nombre de UniProt. En la demostración, el investigador fija un objetivo, encontrar nuevos péptidos antimicrobianos en la bacteria Streptococcus pseudopneumoniae, y el agente filtra millones de entradas hasta quedarse con un puñado. Se centra en una proteína de 97 aminoácidos de la familia Lactococcin 972 y comprueba su novedad con búsquedas BLAST y con su estructura 3D predicha en la base de datos de AlphaFold, muy parecida a la de una bacteriocina conocida. Examina los genes vecinos y encuentra genes de transporte y regulación que respaldan la idea, revisa la literatura para proponer un mecanismo dirigido contra la división celular bacteriana y redacta un protocolo de laboratorio que abarca expresión, pruebas de sensibilidad y toxicidad.
El valor que reivindica DeepMind no es una molécula, sino tiempo. Lo que antes exigía scripts a medida, archivos exportados, programas de modelado aparte y varios expertos se convierte en una sesión colaborativa, con un visor de estructuras 3D compartido que pueden anotar tanto el científico como el agente. Como la validación en laboratorio es cara, reducir el campo a las pistas más sólidas antes de cualquier experimento es donde está el ahorro.
Para quien sigue Antigravity, que reseñamos como plataforma de programación, esto muestra a Google ampliándolo hacia un banco de trabajo científico con agentes. También encaja en una tendencia entre laboratorios: los miles de agentes GPT-Rosalind de OpenAI analizando un atlas de cerebro de ratón, los proyectos de investigación invitada de Anthropic en biología. Todos apuestan por que los agentes pueden leer la larga cola de datos biológicos más deprisa que las personas.
Los límites figuran en el propio texto de DeepMind. El candidato es una pista biológicamente plausible respaldada por pruebas estructurales y genómicas, nada más; su actividad frente a patógenos respiratorios es una predicción, no una medida, y está en validación de laboratorio junto con otros del mismo proceso. El artículo no da tasas de acierto, tiempos ni comparación con lo que tardaría la misma búsqueda sin el agente. Hasta que lleguen los resultados del laboratorio, esto demuestra un flujo de trabajo, no un descubrimiento.