Les infections résistantes aux médicaments pourraient causer environ 10 millions de décès par an d'ici 2050, et la recherche de nouveaux antibiotiques est lente, en partie parce que des molécules prometteuses dorment dans des bases de données que personne n'a vraiment lues. UniProt, la principale ressource publique sur les protéines, contient des millions de séquences de fonction inconnue. Google DeepMind a montré comment des biologistes peuvent utiliser Google Antigravity, sa plateforme de développement à base d'agents, pour fouiller ce matériau en une seule séance de travail, et comment cette séance a produit un nouveau candidat peptide antimicrobien aujourd'hui testé en laboratoire.
Le dispositif associe un chercheur et un agent d'IA. Le point de départ est ProtNLM, un modèle de Google qui prédit la fonction d'une protéine à partir de sa séquence d'acides aminés et a ajouté des annotations fonctionnelles à des millions d'entrées anonymes d'UniProt. Dans la démonstration, le chercheur fixe un objectif, trouver de nouveaux peptides antimicrobiens chez la bactérie Streptococcus pseudopneumoniae, et l'agent ramène des millions d'entrées à une poignée. Il retient une protéine de 97 acides aminés de la famille Lactococcin 972, vérifie sa nouveauté par des recherches BLAST et par sa structure 3D prédite dans la base AlphaFold, très proche de celle d'une bactériocine connue. Il examine les gènes voisins et y trouve des gènes de transport et de régulation qui étayent l'hypothèse, passe en revue la littérature pour proposer un mécanisme ciblant la division cellulaire bactérienne et rédige un protocole de paillasse couvrant expression, tests de sensibilité et toxicité.
La valeur revendiquée par DeepMind n'est pas une molécule mais du temps. Ce qui exigeait des scripts maison, des fichiers exportés, des logiciels de modélisation séparés et plusieurs experts devient une séance collaborative, avec un visualiseur de structures 3D partagé que le scientifique comme l'agent peuvent annoter. La validation en laboratoire étant coûteuse, c'est en réduisant le champ aux pistes les plus solides avant toute expérience que l'on gagne du temps.
Pour qui suit Antigravity, que nous testons comme plateforme de programmation, cela montre Google l'étendre vers un établi scientifique à base d'agents. Cela s'inscrit aussi dans une tendance commune aux laboratoires : les milliers d'agents GPT-Rosalind d'OpenAI qui analysent un atlas du cerveau de souris, les projets de recherche invités d'Anthropic en biologie. Tous parient que des agents peuvent lire la longue traîne des données biologiques plus vite que les humains.
Les limites figurent dans le texte même de DeepMind. Le candidat est une piste biologiquement plausible, appuyée par des indices structuraux et génomiques, rien de plus ; son activité contre des pathogènes respiratoires est prédite, non mesurée, et il est en cours de validation en laboratoire avec plusieurs autres issus de la même chaîne. Le billet ne donne ni taux de réussite, ni durées, ni comparaison avec le temps qu'aurait pris la même recherche sans agent. Tant que les résultats de laboratoire manquent, c'est la démonstration d'une méthode de travail, pas d'une découverte.