Google Antigravity 加速抗菌肽发现：AI驱动科研新范式

抗菌肽（Antimicrobial Peptides, AMPs）被视为对抗耐药菌感染的重要武器，但从海量候选序列中筛选出真正有效的分子，传统实验方法耗时且成本高昂。Google 推出的科学计算平台 Antigravity 正在改变这一局面，通过 AI 加速抗菌肽的搜索与发现流程。

抗菌肽发现为何需要 AI 加速

耐药菌问题日益严峻，而传统抗生素研发管线却日趋枯竭。抗菌肽是一类天然免疫分子，具有广谱抗菌活性，被视为下一代抗生素的重要候选。然而，抗菌肽的发现面临两大瓶颈：

• 搜索空间巨大：潜在的肽序列数量呈指数级增长，实验验证只能覆盖极小一部分。
• 验证周期长：从候选序列到活性验证，湿实验流程往往需要数周甚至数月。

AI 的介入，本质上是用计算筛选替代部分盲目的实验试错，把有限的实验资源集中在最可能成功的候选分子上。Google Antigravity for Science 正是这一思路的工程化落地。

**抗菌肽（AMPs）**是一类通常由 10–50 个氨基酸组成的短肽，广泛存在于动物、植物和微生物的天然免疫系统中，是宿主抵御病原体的第一道防线。与青霉素等靶向单一蛋白的传统抗生素不同，多数抗菌肽通过破坏细菌细胞膜的物理结构（如形成孔道或使膜去极化）来杀灭细菌，部分还能进入胞内干扰 DNA、RNA 或蛋白合成。正因为作用机制多样且作用于膜这类难以通过单点突变改造的靶标，细菌对 AMPs 产生耐药性的难度相对更高，这也是它被视为下一代抗生素候选的重要原因。

**耐药菌（Antimicrobial Resistance, AMR）**指对一种或多种抗生素产生抵抗能力的病原菌，其根源在于抗生素的滥用与自然选择：敏感菌被杀死，携带耐药基因的菌株存活并繁殖，甚至通过质粒在菌种间水平转移耐药基因。世界卫生组织已将 AMR 列为全球十大公共卫生威胁之一。传统抗生素研发管线枯竭，指的是新靶点难找、研发成本高、回报周期长，导致大型药企逐步退出该领域，形成“耐药菌增多但新药减少”的剪刀差，这正是 AMPs 等新型分子受到关注的时代背景。

Google Antigravity 在抗菌肽搜索中的角色

Antigravity 作为面向科学研究的计算平台，其价值不在于提出某个单一的预测模型，而在于为抗菌肽搜索这类复杂任务提供可扩展的算力编排与工作流支持。

从公开信息来看，该平台被用于加速新型抗菌肽的搜索。这意味着研究团队可以将序列生成、活性预测、候选排序等环节整合到统一的计算环境中，减少在基础设施搭建上的重复投入，把精力集中在科学问题上。

对于抗菌肽这类需要融合序列特征、结构信息与生物学先验的任务，一个稳定、可扩展的计算底座，往往比单点算法突破更能决定整体研发效率。

计算平台与单一预测模型的区别值得说明。一个抗菌肽活性预测模型通常只是“输入序列、输出活性分数”的算法；而要真正完成一次发现任务，还需要序列生成（枚举或生成式模型采样）、特征提取（氨基酸组成、疏水性、电荷、二级结构）、模型推理、候选排序、去重与多样性控制等多个环节的协同。Antigravity 这类科学计算平台的定位，是把这些环节编排为可复现的工作流，并管理其背后的算力资源调度。

**湿实验（wet lab）与干实验（dry lab）**的区分同样关键。干实验指完全在计算机上完成的模拟、预测与筛选；湿实验则是在真实实验室中进行的合成、培养与活性测定。AI 无法取代湿实验的最终裁决作用，但可以通过“干实验优先排序”显著压缩需要进入湿实验的候选数量——例如把上万条候选缩减到几十条高潜力分子，从而把昂贵、缓慢的湿实验资源用在刀刃上。这种“计算筛选 + 实验验证”的闭环，正是当前 AI 辅助药物发现的典型范式。

AI+科研的范式意义

抗菌肽搜索只是 Google Antigravity 应用场景的一个缩影。这类平台的出现，反映出一个更宏观的趋势：AI 正在从辅助工具转变为科研基础设施的一部分。

• 从单点模型到工作流：科研 AI 的竞争焦点，正从单一模型精度转向端到端流程的效率。
• 算力与领域知识结合：通用算力平台需要与领域数据、实验反馈形成闭环，才能真正提速。
• 可复现性：统一的计算环境有助于实验结果的可复现与协作共享。

抗菌肽发现的加速，短期看是缩短了候选分子的筛选周期；长期看，它验证了 AI 平台在生物医药早期研发中的实际价值。当算力平台能够稳定支撑从序列到候选的完整链路时，类似的方法论有望迁移到更多难成药靶点与新型分子的探索中。

科研基础设施这一提法，指的是那些被多个团队反复复用、支撑上层具体研究的底层能力，如高性能计算集群、数据存储与版本管理、实验记录系统等。AI 平台正在加入这一行列：它不再是某个实验室内部的一次性工具，而是提供统一的算力、模型与工作流接口，使不同团队能在同一底座上开展研究。

与之紧密相关的是可复现性（reproducibility）。在传统科研中，同一份数据在不同环境、不同软件版本下可能得出不同结果，导致他人难以复现。统一的计算环境通过固定依赖版本、记录完整执行流程，让“同输入得到同输出”成为可能，也让协作共享和结果审计更为可靠。当算力平台能够稳定支撑从序列到候选的完整链路时，其方法论便具备了向其他难成药靶点、新型分子探索迁移的可复制性。