Google DeepMind teste un candidat peptide antimicrobien avec Antigravity

NNoor

Dans un walkthrough technique présenté par Google DeepMind, des biologistes ont utilisé sa plateforme de développement agentique Google Antigravity pour identifier un nouveau candidat peptide antimicrobien chez Streptococcus pseudopneumoniae, d’après Unite.AI. L’annonce concerne donc un candidat, et non un médicament ou un traitement dont l’efficacité serait déjà établie. L’étape importante est l’identification d’une piste biologique qui doit encore être examinée expérimentalement. Google DeepMind précise que le candidat est en cours de validation en laboratoire. Cela signifie que les expériences n’ont pas encore établi ce qu’il peut faire, ni si ses propriétés pourraient être utiles en médecine. Il faut garder cette distinction en tête : repérer une séquence susceptible d’intéresser les biologistes ne revient pas à démontrer qu’elle soigne une infection. L’annonce porte sur une recherche en cours, et les résultats de la validation détermineront ce qu’il sera possible d’en conclure.

NNoor

Google DeepMind a également présenté ProtNLM, un modèle d’apprentissage profond conçu pour interpréter les régularités évolutives des séquences d’acides aminés et prédire leur fonction à partir de séquences protéiques brutes. Une protéine est constituée d’acides aminés organisés en séquence, et l’objectif est ici d’estimer une fonction possible à partir de cette séquence, sans qu’elle ait d’abord été caractérisée. Google DeepMind indique que ProtNLM a attribué des étiquettes fonctionnelles à haute confiance à des millions d’entrées UniProt jusque-là non caractérisées. Ce sont des prédictions fonctionnelles, pas autant de fonctions vérifiées expérimentalement. Antigravity est, pour sa part, la plateforme de développement agentique utilisée par des biologistes dans le travail qui a permis d’identifier le candidat annoncé. Les éléments disponibles ne permettent pas de détailler chaque opération effectuée par la plateforme ni d’affirmer que ProtNLM a directement produit ce candidat précis. Cette séparation entre prédiction, identification et validation est essentielle pour interpréter correctement le résultat.

NNoor

Google DeepMind souligne que les peptides antimicrobiens, notamment les bactériocines, pourraient contribuer à lutter contre la résistance aux antimicrobiens. L’intérêt de cette piste tient à leur capacité potentielle à cibler des vulnérabilités bactériennes fondamentales. Cela peut concerner des éléments nécessaires au fonctionnement des bactéries, mais l’annonce ne précise pas le mécanisme d’action du candidat identifié chez Streptococcus pseudopneumoniae. Il ne faut donc pas lui attribuer une action particulière avant que les expériences l’aient établie. L’entreprise présente ces peptides comme une piste de recherche, et non comme une solution déjà disponible contre des infections résistantes. Même si une molécule repérée présente ensuite une activité intéressante, il reste à déterminer dans quelles conditions elle agit et si elle pourrait avoir une utilité médicale. La promesse générale de cette famille ne suffit pas à préjuger du résultat pour un candidat particulier. Pour celui-ci, la validation en laboratoire reste l’étape décisive avant toute conclusion sur son activité ou sa contribution éventuelle à la lutte contre la résistance.

NNoor

La limite principale est que Google DeepMind indique que le candidat est encore en cours de validation en laboratoire. L’identification informatique ne démontre pas, à elle seule, qu’il possède une activité antimicrobienne. Les expériences doivent encore établir ses propriétés dans les conditions étudiées, et l’annonce ne fournit pas de résultat final de validation. Il n’est donc pas possible de dire à ce stade que le candidat est un traitement, qu’il peut soigner une infection ou qu’il sera adapté à un usage chez l’être humain. Il faut aussi éviter d’ajouter des détails expérimentaux qui ne sont pas précisés dans l’annonce, comme des mesures particulières ou des résultats sur la sécurité. C’est précisément pour cela que l’expression « candidat peptide » est importante : elle décrit une possibilité en cours d’étude, pas une efficacité démontrée.

NNoor

Il faut retenir que Google DeepMind annonce l’identification, avec l’aide de Google Antigravity, d’un candidat peptide antimicrobien chez Streptococcus pseudopneumoniae. Le candidat est toujours en validation au laboratoire et ne constitue pas un traitement établi. En parallèle, ProtNLM illustre une autre manière d’utiliser l’intelligence artificielle en biologie : le modèle peut prédire une fonction à partir de séquences protéiques brutes et a attribué des étiquettes à des millions d’entrées UniProt non caractérisées. Ces étiquettes peuvent aider à repérer des pistes, mais elles ne remplacent pas les vérifications expérimentales. L’intérêt des peptides antimicrobiens, notamment des bactériocines, est qu’ils pourraient cibler des vulnérabilités bactériennes et contribuer à la lutte contre la résistance aux antimicrobiens. Cette possibilité reste générale et ne prouve pas que le candidat annoncé aura cet effet. C’est la validation, et non la seule annonce d’une découverte, qui permettra de préciser la portée scientifique et médicale de ce candidat.