O Google DeepMind publicou em 15 de outubro de 2026 um passo a passo em que biólogos usam o Google Antigravity, a plataforma de desenvolvimento agêntico do Google, para encontrar um candidato a peptídeo antimicrobiano com atividade prevista contra patógenos de infecções respiratórias. O agente percorre bases públicas de proteínas, filtra milhões de registros, checa novidade, estrutura e contexto genômico e entrega um punhado de candidatos priorizados. O principal deles já está em validação de bancada, e o próprio Google deixa claro: ainda não há resultado experimental.
Para quem pesquisa ou trabalha com biotecnologia no Brasil, a novidade não é um antibiótico novo. É um fluxo de trabalho: o mesmo tipo de agente de IA que hoje escreve código passa a orquestrar bancos de dados científicos, ferramentas de bioinformática e visualização 3D em uma única sessão, com registro do raciocínio. Este texto explica o que foi mostrado, o que é o Antigravity, por que o tema importa e quais cuidados tomar antes de adotar algo parecido.
Resumo rápido
- O DeepMind mostrou um agente no Google Antigravity que buscou, avaliou e priorizou um candidato a bacteriocina (um tipo de peptídeo antimicrobiano) a partir do UniProt.
- O fluxo combinou ProtNLM, BLAST, AlphaFold Database e um novo visualizador de estruturas 3D embutido no Antigravity.
- O candidato é “biologicamente plausível”, mas ainda precisa de validação em laboratório; nenhum resultado de bancada foi divulgado.
- O Antigravity é um aplicativo de desktop para macOS, Windows e Linux, com um plugin de ciência que conecta mais de 30 bases de ciências da vida.
- O Google oferece o nível de uso mais alto a 10 mil cientistas por formulário; a página não informa critérios por país nem cita o Brasil.
O que o Google DeepMind anunciou
O post, assinado por Pengfei Tian, Maxwell L. Bileschi, Zoi Tsangalidou, Sukhdeep Singh e Lucy J. Colwell, é um estudo de caso, não o lançamento de um medicamento. Ele mostra, em seis telas, como um pesquisador conversa com um agente dentro do Antigravity para chegar a um candidato promissor.
O ponto de partida são as entradas não revisadas do UniProt, o maior catálogo público de sequências de proteínas. A maioria delas não tem função conhecida confirmada. O agente usa o ProtNLM, modelo de deep learning do Google que prevê a função biológica a partir da sequência de aminoácidos, para anotar esses registros e separar os que parecem bacteriocinas.
O candidato destacado é a proteína de identificador UniProt A0A0U0D591: uma bacteriocina de 97 aminoácidos da família Lactococcin 972, encontrada em Streptococcus pseudopneumoniae. Segundo o post:
- uma busca BLAST contra o Swiss-Prot (a parte revisada manualmente do UniProt) não encontrou homólogo relevante, o que sugere novidade;
- o modelo estrutural do AlphaFold tem dobra muito próxima de uma bacteriocina com estrutura determinada experimentalmente, o que reforça a previsão do ProtNLM;
- no genoma, o gene fica a 6 pares de bases de um transportador ABC, num arranjo típico de sistemas de produção e exportação de bacteriocinas;
- a hipótese de mecanismo (ataque à divisão celular bacteriana) e o espectro de patógenos vêm de síntese da literatura e de previsões, não de experimentos.
O anúncio também apresenta o Biomolecular Structure Viewer, um visualizador 3D dentro do Antigravity em que pesquisador e agente marcam resíduos e fixam notas que voltam para o contexto do agente.
O que é o Google Antigravity
O Antigravity foi apresentado pelo Google em novembro de 2025 como “uma nova plataforma de desenvolvimento agêntica”, pensada para que a pessoa trabalhe em nível de tarefa e deixe agentes planejarem, executarem e verificarem etapas. Uma característica central são os artefatos: listas de tarefas, planos, capturas de tela e gravações que permitem conferir o que o agente fez sem ler cada chamada de ferramenta.
Em maio de 2026 veio o Antigravity 2.0, descrito pelo Google como um aplicativo de desktop independente, acompanhado de CLI e SDK. No caso científico, a página oficial descreve a plataforma como capaz de acelerar a descoberta com customizações de agentes, execução de fluxos em paralelo e verificação ancorada em modelos de fronteira e bases científicas. O plugin de ciência é instalado pelo marketplace de customizações e dá acesso a mais de 30 bases, entre elas UniProt, PubChem, ChEMBL e AlphaGenome Atlas, além de consultas ao AlphaFold Database.
| Componente | Papel no fluxo | O que a fonte oficial confirma |
|---|---|---|
| Google Antigravity | Ambiente onde o agente orquestra buscas, ferramentas e relatórios | App de desktop para macOS, Windows, Linux e Googlebook; versão 2.0 lançada em maio de 2026 |
| Gemini 3.8 Flash | Modelo selecionado nas telas do estudo de caso | Aparece nas capturas do post do DeepMind |
| ProtNLM | Prevê função de proteínas a partir da sequência | Modelo do Google usado para anotar entradas não revisadas do UniProt |
| BLAST contra Swiss-Prot | Verifica se já existe proteína parecida bem estudada | Executado via serviço do EMBL-EBI |
| AlphaFold Database | Fornece o modelo 3D do candidato | Estrutura comparada a bacteriocina já conhecida |
| Biomolecular Structure Viewer | Tela 3D compartilhada entre pessoa e agente | Novo recurso apresentado no post |
Em resumo: o Antigravity não é um modelo de biologia. É a bancada digital onde um modelo Gemini chama ferramentas especializadas e registra o caminho. Para entender os outros produtos de IA do Google e o que já chegou ao Brasil, veja nossa página de integrações do Google Gemini.
Por que isso importa: resistência antimicrobiana
Resistência antimicrobiana acontece quando bactérias, vírus, fungos e parasitas deixam de responder aos medicamentos. A Organização Mundial da Saúde estima que a resistência bacteriana esteve associada a mais de 4,7 milhões de mortes no mundo em 2021. O post do DeepMind cita uma estimativa de 10 milhões de mortes anuais até 2050, com link para material do governo britânico.
Peptídeos antimicrobianos, e em especial as bacteriocinas que as próprias bactérias produzem para competir entre si, são estudados como alternativa aos antibióticos tradicionais. O gargalo é encontrá-los: os genes são curtos, muitas vezes mal anotados, e as evidências ficam espalhadas por bases diferentes. O que o DeepMind propõe é reduzir o tempo dessa triagem, que normalmente exige pular entre sites, scripts e planilhas, para uma única sessão auditável.
Isso não encurta as etapas mais caras e lentas, que são os testes de laboratório, de toxicidade e clínicos. Encurta a fase de escolher em quais candidatos vale gastar esse dinheiro.
Como o fluxo funciona, etapa por etapa
1. Triagem em escala
O agente parte de milhões de entradas do UniProt e usa as anotações do ProtNLM para ficar só com as que têm assinatura de bacteriocina.
2. Filtro de novidade
Para cada candidato, roda BLAST contra o Swiss-Prot. Sem homólogo revisado, o candidato é potencialmente novo, e não uma variação de algo já patenteado ou estudado.
3. Checagem estrutural
Busca o modelo do AlphaFold e compara a dobra com estruturas experimentais conhecidas. Uma das telas menciona o Foldseek para buscas estruturais.
4. Contexto genômico e literatura
Analisa os genes vizinhos (transportadores, reguladores, outras bacteriocinas) e cruza com artigos para formular hipótese de mecanismo e de alvo.
5. Revisão humana e priorização
O pesquisador inspeciona a estrutura no visualizador 3D, comenta resíduos e decide quais candidatos seguem para a bancada. Os próximos passos anunciados são expressão da proteína, testes de suscetibilidade antimicrobiana, engajamento de alvo e toxicidade in vitro.
A lógica de ancorar cada afirmação numa fonte consultável é a mesma que recomendamos em pipelines de verificação cruzada com fontes primárias.
O que muda para pesquisadores e empresas no Brasil
O post não anuncia parceria, programa ou disponibilidade específica para o Brasil. O que dá para afirmar com base nas páginas oficiais:
- O app é baixável para os principais sistemas operacionais, e a página de ciência não lista restrição de país. Ela também não confirma o Brasil.
- Há um programa para cientistas: o Google diz que está dando o nível de uso mais alto do Antigravity e o modelo Gemini 4 Argon a 10 mil cientistas, mediante formulário. Critérios de seleção e elegibilidade por país não aparecem na página.
- Modelos mais avançados dependem de plano: a página informa que o Gemini 4 Argon está disponível para assinantes Google AI Pro e Ultra no Antigravity. Preços estão na página de planos, não no anúncio.
- As bases usadas são públicas: UniProt, AlphaFold Database, PubChem e ChEMBL podem ser consultados hoje por qualquer grupo, com ou sem agente.
Na prática, grupos de microbiologia, bioinformática e startups de biotecnologia podem testar o fluxo de triagem para gerar hipóteses mais rápido. Empresas do agronegócio, de alimentos (bacteriocinas já são estudadas como conservantes) e de saúde animal também são públicos naturais. Em todos os casos, a decisão de levar um candidato à bancada continua sendo do pesquisador, e a propriedade intelectual sobre achados feitos com a ferramenta deve ser analisada nos termos de uso antes de qualquer projeto sério.
Vale comparar com outras iniciativas de IA voltadas à ciência, como o plano acadêmico do GPT-Rosalind, da OpenAI, que segue outra lógica de acesso.
Exemplo: um laboratório universitário em Belo Horizonte
Imagine um grupo de microbiologia de uma universidade pública em Belo Horizonte que estuda bactérias de infecções respiratórias. A rotina de triagem hoje envolve baixar sequências do UniProt, rodar BLAST, abrir estruturas uma a uma e registrar tudo numa planilha compartilhada. Um aluno de doutorado gasta boa parte do semestre nessa etapa antes de propor os primeiros testes.
Com um fluxo parecido com o do DeepMind, o grupo poderia pedir ao agente uma lista de bacteriocinas não revisadas em espécies de interesse, com relatório de novidade, estrutura e vizinhança genômica para cada uma. O doutorando revisaria o relatório, marcaria no visualizador 3D os pontos que levantam dúvida e escolheria poucos candidatos para clonagem e teste. A planilha passaria a ser o próprio histórico da sessão, com as consultas feitas.
O que não muda: o orçamento de bancada, as autorizações de biossegurança, a validação de toxicidade e a necessidade de repetir as consultas críticas manualmente antes de publicar. O agente acelera a escolha, não substitui o método.
Limites e cuidados
- Sem dado experimental. O candidato está em validação. Não há medida de atividade, toxicidade ou estabilidade publicada.
- Escopo estreito. O próprio post diz que a demonstração cobre uma janela pequena de sequências de uma espécie. Os autores planejam ampliar para micróbios ambientais e outras fontes.
- Previsões em cadeia. Função (ProtNLM), estrutura (AlphaFold) e mecanismo (literatura) são inferências. Erros em uma etapa podem se propagar.
- Dependência de plataforma. Plugins, limites de uso e modelos podem mudar. Guarde os scripts e consultas gerados para reproduzir o trabalho fora do Antigravity.
- Dados sensíveis. Sequências inéditas e dados de pacientes não devem ir para nenhuma ferramenta de nuvem sem avaliação da instituição.
Erros comuns
- Tratar o anúncio como novo antibiótico. É um candidato computacional. Divulgar como cura é desinformação.
- Confundir Antigravity com modelo científico. Ele é o ambiente; quem prevê função e estrutura são ProtNLM, AlphaFold e o modelo Gemini escolhido.
- Pular a checagem manual. Reabra as entradas do UniProt e o resultado do BLAST antes de investir em bancada.
- Presumir acesso gratuito ilimitado. O programa para 10 mil cientistas exige inscrição, e modelos como o Gemini 4 Argon dependem de plano pago.
- Ignorar termos de uso e propriedade intelectual. Leia os termos antes de usar a ferramenta em projeto com potencial de patente.
Perguntas frequentes
O Google descobriu um novo antibiótico?
Não. Encontrou um candidato a peptídeo antimicrobiano por análise computacional. Ele está em validação de laboratório e não tem resultado experimental divulgado.
O Antigravity funciona no Brasil?
O aplicativo é oferecido para download em macOS, Windows e Linux, e as páginas oficiais não listam restrição de país. Elas também não mencionam o Brasil de forma explícita, então confirme no site antes de planejar um projeto.
Preciso saber programar para usar?
O estudo de caso mostra o pesquisador dando instruções em linguagem natural. Ainda assim, conhecer bioinformática ajuda a revisar o que o agente fez e a identificar erros.
Quais bases o plugin de ciência acessa?
A página oficial cita mais de 30 bases de ciências da vida, incluindo UniProt, PubChem, ChEMBL e AlphaGenome Atlas, além de consultas ao AlphaFold Database.
Como participar do programa para cientistas?
A página de casos de uso científicos do Antigravity tem um formulário de inscrição. Os critérios de seleção não estão detalhados no anúncio.
Fontes e leitura recomendada
- Google DeepMind: Accelerating the search for antimicrobial peptides with Google Antigravity
- Google Antigravity: casos de uso em ciência
- Google Antigravity: apresentação do Antigravity 2.0
- Google Developers Blog: Build with Google Antigravity
- OMS: ficha sobre resistência antimicrobiana
- UniProt: entrada A0A0U0D591
- AlphaFold Protein Structure Database
