Google利用Antigravity与ProtNLM从大量未注释蛋白中筛选抗菌肽候选物，结合序列、三维结构、基因邻域和文献证据形成实验计划；目前候选物仍处于湿实验验证阶段。
为什么传统搜索很慢
公共蛋白数据库包含大量由测序项目直接提交、功能未知的氨基酸序列。常规相似性搜索容易漏掉与已知蛋白序列差异很大、但结构和功能可能相近的候选物。研究者需要在UniProt、BLAST、AlphaFold结构和文献之间反复切换。
ProtNLM尝试读取氨基酸序列中的进化规律，预测蛋白名称、功能、亚细胞位置和GO术语。它扩大搜索范围，但预测标签仍需外部证据支持，特别是低相似度的新候选物。
案例采用的证据链
Agent先从数百万条目中筛到97个氨基酸长度的候选物，再通过Swiss-Prot和BLAST检查是否存在已知同源物；随后读取AlphaFold预测结构，用Foldseek比较结构相似性，并检查候选基因附近是否存在转运蛋白、调控因子和其他抗菌肽相关基因。
多层证据比单一模型分数更可靠。序列新颖但结构不支持、结构相似但基因环境矛盾，都应该降低优先级。站内Claude发现类CRISPR系统案例也说明，AI科研结论需要经过独立数据库和实验验证。
团队可以怎样建立流程
先限定物种、长度、亚细胞定位和安全条件，保存每次数据库查询式与版本。候选筛选后生成证据表：序列特征、同源性、结构匹配、基因邻域、文献机制和潜在病原体。每项证据标注来源与不确定性，由研究者决定是否推进。
使用共享三维查看器时，研究者可标记残基和口袋，让Agent围绕具体结构区域解释。标记、注释和对话应与结构文件一起保存，防止后续只看到结论却不知道研究者关注了什么。
湿实验才是最终裁判
候选物需要完成表达或合成、最低抑菌浓度、作用机制、细胞毒性和稳定性等测试。计算预测不能证明临床有效，更不能直接指导个人用药。实验设计应包含阳性、阴性对照和重复批次。
如果结果与预测不符，应分析是结构预测、数据库标签、实验条件还是机制假设的问题，并将结果反馈到筛选规则。AI的价值是缩小搜索空间，而不是跳过科学验证。
落地结论
真正可用的AI系统必须同时满足任务有效、数据可控、成本可解释和失败可回退。建议先用真实且脱敏的小样本建立基线，再逐步开放工具与自动化权限；任何涉及生产修改、外部发送、医疗科研结论或资金的动作，都应保留人工审批和完整审计。
资料来源：Google DeepMind：Accelerating antimicrobial peptide discovery。本文依据公开资料重新整理，并结合工程实践给出操作建议；厂商公布的性能和案例数据不等同于独立第三方验证。
