谷歌AI筛抗菌肽：海量蛋白质里，谁值得做下一次实验？

抗菌研究面临一个现实难题：数据库里已经存下大量蛋白质序列，实验室却不可能把每一条都合成、测试。一个有用的科研助手，需要先帮助科学家回答：下一次实验，最值得测哪一个？

北京时间11月2日，谷歌旗下人工智能（AI）开发平台Antigravity的官方账号分享了一段研究演示：Google DeepMind研究人员把它用作科研工作台，寻找可能具有抗菌作用的短蛋白质，并将数据库检索、三维结构比较和实验准备接到同一个界面里。

这段演示及配套案例已于10月中旬公开。它展示的成果，是一条有多种计算线索支持的抗菌肽候选。抗菌肽可以简单理解为可能帮助抑制或杀灭微生物的短蛋白质；这条候选是否有效，仍要等待实验室检验。谷歌的案例说明明确写道，包括它在内的多个候选正在进行实验验证。

从一条97个氨基酸的记录开始

蛋白质由氨基酸依次连接而成。知道这串“积木”的排列顺序，并不意味着人类已经弄清它在生物体里做什么。

演示从蛋白质数据库UniProt开始。研究者先限定一种链球菌及较短的蛋白质长度，再让AI寻找功能尚未充分研究、又被蛋白质功能模型提示可能具有抗菌作用的记录。最后，一个由97个氨基酸组成的候选进入了后续分析。

这个过程挖掘的是数据库里已有序列的潜在功能，并没有展示AI从零创造一种全新的分子。

其中的蛋白质功能模型ProtNLM，做的事情近似于给氨基酸序列写一份“可能的用途说明”。它能提供检索线索，标签本身却仍是预测。UniProt对该候选的公开记录，目前也标为“未审阅”，蛋白质存在证据标为“预测”，名称来自自动注释。

这一区别决定了后面为什么还要继续查证：AI给出一个看起来合理的名字，只是研究的起点。

序列不太像，折叠形状却可能暴露线索

研究者接着让AI把候选与经过人工审阅的蛋白质记录比较。在演示设定的检索范围内，候选没有找到显著的相似序列。这支持进一步研究的价值，却不足以证明它在全球范围内“从未被发现”。

随后，研究转向蛋白质的三维形状。氨基酸链会折叠，不同序列有时可以形成相似的结构；这些相似之处，可能提示它们承担相近的工作。

AI取来AlphaFold数据库中的候选预测结构，再与另一种、已有实验测定结构的抗菌蛋白比较。演示将两者叠在一起，展示核心折叠区域的相似性。实验测定的结构属于比较对象，候选本身展示的仍是预测模型。

图：Google Antigravity官方视频约3分45秒画面。图中为结构叠合比较；候选的结构来自预测，画面不代表其抗菌活性已经得到实验验证。

AI还查看了候选基因周围的其他基因，寻找运输、调控等配套功能的线索。这相当于观察一间工厂时，同时看看周围有没有生产与运输设施，帮助判断眼前这个对象可能承担什么角色。

这些步骤把最初的模型提示，推进成更值得测试的生物学假设。结构相似和周边基因线索，仍不能直接回答候选在真实实验中能否抑菌、是否存在毒性。

让科学家和AI看同一个三维对象

这次演示另一个值得关注的变化，发生在界面里。

谷歌将“生物分子结构查看器”嵌入工作台。科学家能旋转和查看蛋白质结构，AI也能调取结构、标出它认为值得注意的区域。按照官方说明，科学家在三维对象上选择某一部分、加上注释，这些操作还会同步给AI，成为下一步讨论的上下文。

于是，“看看这里”可以指向屏幕上一个明确的位置。研究者不用把自己看到的空间关系，重新写成一大段文字再交给模型。

它也改变了人检查AI的方法：除了阅读一段解释，科学家还能对照具体结构，追问模型的推断是否站得住脚。界面承担了展示证据、传递问题和引导分析的作用。

对需要反复查数据库、处理文件和比较结构的研究工作，这种衔接有实际意义。它可能减少工具之间的搬运，让研究者把更多注意力留给判断；专业数据库、结构预测工具和科学家的审查，仍然各有作用。

下一张成绩单，应来自实验室

演示最后，AI整理了实验验证方案，涉及候选的制备、抗菌效果和安全性等需要检验的问题。

生成方案与完成实验之间，还有一段关键距离。候选能不能产生预期作用，在什么条件下有效，是否伤害正常细胞，最终都要靠实际数据回答；距离成为可用药物，更有后续研究要做。

同样，官方所说的“几分钟”，描述的是这次计算工作流演示，不能据此推算真实药物研发周期缩短了多少。要评价这类工具，还需要看候选进入实验后的成功率、与既有方法的比较，以及科学家为纠错付出的时间。

这项案例提供了一个具体观察窗口：科研AI正在尝试把检索、分析、可视化与实验准备连起来。接下来更有分量的成绩单，将是有多少候选真正通过测试，有多少计算上的好线索能够变成可重复的实验结果。

参考资料

[1] Google Antigravity. Watch how Google DeepMind researchers used Antigravity to navigate millions of uncharacterized proteins[EB/OL]. (2026-11-01)[2026-11-02].

[2] Tian P, Bileschi M L, Tsangalidou Z, et al. Accelerating the search for antimicrobial peptides with Google Antigravity[EB/OL]. (2026-10-15)[2026-11-02].

[3] Google Antigravity. Accelerating antimicrobial peptide discovery with Google Antigravity[EB/OL]. (2026-10-16)[2026-11-02].

[4] UniProt. A0A0U0D591: Lactococcin 972 family bacteriocin[EB/OL]. [2026-11-02].

[5] UniProt. Automatic annotation using ProtNLM[EB/OL]. (2026-09-03)[2026-11-02].

[6] Google Antigravity. Science: Explore scientific workflows[EB/OL]. [2026-11-02].