Google DeepMind memperlihatkan bagaimana Antigravity, platform pengembangan agentik untuk sains, dipakai untuk menyaring sekuens protein dan menemukan kandidat peptida antimikroba. Kandidat tersebut diprediksi berpotensi melawan beberapa patogen saluran pernapasan, tetapi statusnya belum lebih dari temuan komputasional: Google mengatakan kandidat itu masih menjalani validasi di laboratorium.

Dalam tulisan yang diterbitkan 15 Oktober 2026, tim Google menjelaskan sebuah alur kerja yang berangkat dari masalah klasik biologi komputasional. Basis data protein berisi sangat banyak sekuens yang belum memiliki anotasi fungsi yang jelas. Sebagian mungkin menyimpan fungsi biologis penting, tetapi sulit ditemukan hanya dengan membandingkannya dengan protein yang sudah dikenal.

Antimicrobial peptide atau AMP menjadi sasaran yang masuk akal untuk pencarian seperti ini. Peptida tersebut dapat bekerja dengan menyerang bagian penting pada bakteri, termasuk selubung sel atau mesin internalnya. Bakteriosin—salah satu kelompok AMP—sudah dikenal sebagai senyawa yang diproduksi organisme untuk menghambat bakteri lain. Namun, menemukan kandidat baru tidak sama dengan menemukan obat baru. Kandidat harus diuji untuk aktivitas antimikroba, toksisitas, stabilitas, dan cara kerjanya sebelum punya nilai terapeutik.

Dari jutaan sekuens ke satu kandidat

Google mengatakan Antigravity menggabungkan beberapa langkah yang biasanya tersebar di banyak alat. Peneliti menetapkan sasaran biologis, lalu agen membantu mencari dan menyaring entri di UniProt. Di bagian ini, Google memakai ProtNLM, model yang membaca pola evolusioner dari urutan asam amino untuk memprediksi fungsi protein secara langsung.

Pendekatan itu penting karena banyak sekuens berada di wilayah yang oleh peneliti disebut sebagai “dark matter” protein: urutan yang belum diberi nama atau fungsi karena tidak cukup mirip dengan protein yang sudah dikarakterisasi. ProtNLM dipakai untuk memperkaya sebagian entri UniProt yang sebelumnya belum memiliki anotasi bermakna, lalu Antigravity mempersempit hasilnya berdasarkan tujuan pencarian.

Dalam contoh yang ditampilkan Google, agen mencari AMP baru pada *Streptococcus pseudopneumoniae*. Dari ruang pencarian yang besar, sistem menemukan kandidat dengan panjang 97 asam amino dan kaitan prediktif dengan keluarga Lactococcin 972. Kandidat itu kemudian diperiksa menggunakan BLAST terhadap Swiss-Prot. Google menyebut tidak menemukan homolog sekuens yang bermakna di antara protein yang telah ditinjau secara manual.

Itu belum cukup untuk menyebutnya sebagai AMP baru. Langkah tersebut hanya membantu menjawab apakah kandidat tampak berbeda dari protein yang sudah tercatat dalam basis data terkurasi. Sistem lalu memakai bukti tambahan untuk melihat apakah prediksi fungsi tersebut masuk akal.

Struktur dan lingkungan gen ikut diperiksa

Antigravity mengambil model struktur dari AlphaFold Protein Structure Database dan membandingkannya dengan struktur eksperimental menggunakan pencarian struktur. Google mengatakan bentuk kandidat tersebut mendukung prediksi ProtNLM karena memiliki kemiripan lipatan dengan bakteriosin yang sudah diketahui. AlphaFold DB sendiri menyediakan ratusan juta prediksi struktur protein secara terbuka melalui kerja sama Google DeepMind dan EMBL-EBI.

Google juga meminta agen melihat lingkungan gen di sekitar kandidat. Gen tersebut berada di dekat operon yang memuat permease transporter ABC, protein pengikat ATP, bakteriosin lain, dan regulator transkripsi XRE. Menurut tulisan Google, susunan itu menjadi bukti kontekstual yang kuat bahwa kandidat mungkin bagian dari sistem bakteriosin yang berfungsi.

Di sini terlihat perbedaan antara sekadar menjalankan model dan melakukan penyelidikan biologis. Prediksi dari satu model dapat keliru. Peneliti perlu menggabungkan kemiripan sekuens, struktur tiga dimensi, lingkungan genom, literatur, dan pengetahuan tentang organisme sebelum memutuskan apakah sebuah kandidat layak dibawa ke laboratorium. Antigravity menyatukan langkah-langkah itu dalam satu sesi, tetapi keputusan tentang pertanyaan berikutnya tetap diarahkan oleh peneliti.

Prediksi bukan terapi

Google menyebut analisis literatur memberi hipotesis tentang mekanisme kerja kandidat dan kemungkinan spektrum patogennya. Dalam tulisan itu, kandidat diperkirakan dapat menargetkan proses pembelahan bakteri dan memiliki potensi terhadap beberapa patogen yang resistan terhadap obat. Kata “diperkirakan” menjadi batas penting: belum ada hasil uji basah yang membuktikan aktivitas tersebut.

Kandidat itu, bersama beberapa temuan lain dari alur yang sama, sedang menjalani validasi wet lab. Eksperimen tersebut akan menguji ekspresi protein, aktivitas terhadap bakteri, interaksi dengan target, serta toksisitas in vitro. Hasil laboratorium akan menentukan apakah sinyal dari model dan basis data memang berubah menjadi efek biologis yang dapat diukur.

Konteksnya cukup mendesak. WHO menyebut sekitar satu dari enam infeksi bakteri yang dikonfirmasi lewat laboratorium secara global pada 2023 resistan terhadap antibiotik. Organisasi itu juga menilai dunia menghadapi krisis riset dan pengembangan antimikroba, dengan terlalu sedikit obat baru yang masuk pipeline.

Karena itu, nilai utama demo Antigravity bukan klaim bahwa Google sudah menemukan antibiotik baru. Nilainya ada pada penyusutan ruang pencarian. Jika sistem dapat membantu peneliti memilah jutaan sekuens menjadi sejumlah kecil kandidat dengan bukti awal yang lebih kuat, waktu laboratorium dapat dipakai untuk menguji hipotesis yang lebih masuk akal. Itu tetap bukan jalan pintas dari AI ke obat. Ini adalah cara untuk membuat tahap sebelum eksperimen menjadi lebih terarah—dan tetap menunggu jawaban dari eksperimen itu sendiri.

Sumber - Primary: https://deepmind.google/blog/accelerating-antimicrobial-discovery/ - Context: https://www.who.int/news-room/fact-sheets/detail/antimicrobial-resistance?locale=en - Context: https://alphafold.ebi.ac.uk/about