Infecções resistentes a medicamentos podem causar cerca de 10 milhões de mortes por ano até 2050, e a busca por novos antibióticos é lenta, em parte porque moléculas promissoras estão enterradas em bancos de dados que ninguém leu direito. O UniProt, principal recurso público de proteínas, guarda milhões de sequências de função desconhecida. O Google DeepMind mostrou como biólogos podem usar o Google Antigravity, sua plataforma de desenvolvimento com agentes, para garimpar esse material numa única sessão de trabalho, e como essa sessão gerou um novo candidato a peptídeo antimicrobiano que agora está sendo testado em laboratório.
O fluxo junta um pesquisador e um agente de IA. O ponto de partida é o ProtNLM, um modelo do Google que prevê o que uma proteína faz a partir da sequência de aminoácidos e já acrescentou rótulos funcionais a milhões de entradas sem nome do UniProt. Na demonstração, o pesquisador define um objetivo, achar novos peptídeos antimicrobianos na bactéria Streptococcus pseudopneumoniae, e o agente filtra milhões de entradas até sobrar um punhado. Ele escolhe uma proteína de 97 aminoácidos da família Lactococcin 972 e confere a novidade com buscas BLAST e com a estrutura 3D prevista no banco do AlphaFold, muito parecida com a de uma bacteriocina conhecida. Examina os genes vizinhos e encontra genes de transporte e regulação que sustentam a hipótese, revisa a literatura para propor um mecanismo voltado à divisão celular bacteriana e redige um protocolo de bancada que cobre expressão, testes de sensibilidade e toxicidade.
O valor que a DeepMind reivindica não é uma molécula, e sim tempo. O que antes exigia scripts sob medida, arquivos exportados, programas de modelagem separados e vários especialistas vira uma sessão colaborativa, com um visualizador de estruturas 3D compartilhado que cientista e agente podem anotar. Como a validação em laboratório é cara, a economia está em estreitar o campo para as pistas mais fortes antes de qualquer experimento.
Para quem acompanha o Antigravity, que analisamos como plataforma de programação, isso mostra o Google estendendo a ferramenta para uma bancada científica com agentes. Também se encaixa num padrão entre laboratórios: os milhares de agentes GPT-Rosalind da OpenAI analisando um atlas do cérebro de camundongo, os projetos de pesquisa convidada da Anthropic em biologia. Todos apostam que agentes conseguem ler a longa cauda dos dados biológicos mais rápido do que pessoas.
Os limites estão no próprio texto da DeepMind. O candidato é uma pista biologicamente plausível, apoiada por evidências estruturais e genômicas, nada além disso; sua atividade contra patógenos respiratórios é prevista, não medida, e ele está em validação de laboratório junto com outros do mesmo processo. O texto não traz taxas de acerto, tempos nem comparação com quanto a mesma busca levaria sem o agente. Até os resultados de laboratório chegarem, isso demonstra um fluxo de trabalho, não uma descoberta.