一段97個胺基酸的序列被列為候選：Antigravity示範的抗菌勝肽搜尋，加速的是篩選那一段

2026年10月15日，APPI News刊出張饒輝（Lightman Chang）對Google DeepMind Antigravity抗菌勝肽搜尋示範的長文整理。示範任務是從Streptococcus pseudopneumoniae（偽肺炎鏈球菌）相關蛋白質中尋找新型抗菌勝肽，DeepMind將Antigravity描述為研究者與AI代理協作的科學工作環境。這篇示範值得產業端注意的地方，不在AI找到答案，而在它把藥物開發流程中「產生候選假說」與「證明活性」兩段工作的成本邊界，重新畫了一次。

先分清楚：AI縮小的是資料庫範圍，不是驗證範圍

抗菌勝肽是能抑制或殺死細菌的短蛋白質分子，細菌素（bacteriocin）是細菌產生、可影響其他細菌的勝肽。這個研究領域的核心瓶頸在資料端：基因定序越普及，蛋白質資料庫越龐大，其中大量序列只有編號或「功能未知」標記。研究者若逐筆比對序列、查結構、檢索基因周邊序列、回頭搜文獻，步驟散落在不同網站與工具之間，時間花在串接資料格式，而不是花在生物學判斷上。

Antigravity示範壓縮的正是這一段。研究者設定搜尋目標、逐輪決定要補查的證據，代理負責串接資料庫查詢、結構分析與文獻整理。用研發流程的語言說，這是對「候選排序」環節的自動化，沒有觸及「活性證明」環節。

三層計算證據如何疊出一個候選

示範流程用了三層互相補充的計算線索，逐步把一個97個胺基酸長的序列推上候選位置，資料庫註記將它歸在Lactococcin 972家族。

第一層是功能預測。ProtNLM是Google開發的蛋白質自然語言模型，可從原始胺基酸序列預測生物功能，並替UniProt中先前未註解的蛋白質補上功能標籤。這一步提供的是可查證的假說起點。

第二層是序列與結構比對。代理先透過BLAST與Swiss-Prot人工審核蛋白質比對，DeepMind表示此次未找到有意義的同源序列，這支持「可能具有新穎性」的判斷，但資料庫中找不到近似序列不會自動證明抗菌功能。接著代理從AlphaFold結構資料庫取得預測模型，以Foldseek搜尋實驗結構並疊合，候選的折疊形狀與一種已實驗解析的細菌素相近，與ProtNML的預測方向相符。結構相似仍不等於功能必然相同。

第三層看基因脈絡。候選基因上遊僅隔6個鹼基處有ABC轉運蛋白相關基因等鄰近基因，染色體上共域的基因組成有時能提示共同參與同一生物系統，這為候選再添一層合理性。

值得注意的是證據的性質。三層線索全部屬於計算支持，沒有一項量到勝肽如何影響細菌。模型能加快搜尋、整理與提出假說，但抗菌活性、對人體細胞的影響與治療價值，仍須經過實驗與後續研究確認。DeepMind自己也在示範文中保留了這條界線。

成本帳記在哪一欄

把這條流程放進研發成本結構看，傳導方向相對清楚。受壓的是資料整理與工具串接的人力時間，過去散落在多個網站與分析工具之間的格式轉換、欄位對齊工作，被壓縮進單一協作流程。受惠的是濕實驗室之前的假說生成密度，研究者可以把注意力集中到較值得測試的分子。

但下遊沒有變便宜。候選清單上的每一個分子，仍要進入活性測試、細胞毒性評估與後續開發流程，這些環節的單位成本不因上遊篩選加速而下降，反而可能因候選供給增加而放大總支出。AI在這裡改變的是「測什麼」的排序，不是「測一次多少錢」的單價。這與AIntibody盲測劃出的AI抗體設計界線呈現同一個結構：計算端產出增加後，驗證端成為新的瓶頸與成本中心。

收束判斷

這則示範的產業意涵有兩點。其一，蛋白質資料庫的未註解存量化問題，提供了AI工具明確的切入場景，ProtNLM補標籤、AlphaFold補結構、代理補串接，分工各佔一段。其二，示範不等於藥物開發自動化，DeepMind沒有證明每項任務都能在其他實驗室以相同時間完成，也沒有提供任何實驗活性數據。對評估AI製藥敘事的人而言，該追蹤的指標是這類工具上線後，候選分子進入實驗驗證的通過率有沒有變化，而不是候選產出量。後者增加，前者不動，帳就仍記在實驗室那一欄。