Google DeepMind 於官方部落格公布技術示範：研究人員以代理式開發平台 Google Antigravity，結合蛋白質功能預測模型 ProtNLM，在 UniProt 等資料庫中掃描數百萬條未充分註釋的蛋白質序列，並鎖定一條針對呼吸道感染相關病原體、具預測抗菌活性的新型抗菌肽候選；該候選現已進入濕實驗驗證。來源真實性已驗證。

抗微生物抗藥性（AMR）被官方形容為當代最迫切的全球衛生危機之一，並引用估計指至二〇五〇年每年或可造成約一千萬人死亡。傳統尋藥常需跨多個資料庫與工具手動串接，耗時且碎片化；今次示範把資料庫檢索、結構比對、基因組鄰域推理與文獻綜合收進同一代理式工作台，並嵌入 AlphaFold 結構檢視器作人機共編。

以下整理機制、技術含義、應用場景與專業評估，並說明對香港與亞洲生物醫藥及企業 AI 管線的啟示。

DeepMind／官方：Antigravity 加速尋找抗菌肽——ProtNLM 標註 UniProt「暗物質」；候選進入濕實驗

一、核心事件：把碎片化尋肽流程壓成單一代理式工作階段

技術細節

官方指出，抗菌肽（antimicrobial peptides，AMPs），尤其是細菌素（bacteriocins），因長期演化出攻擊細菌細胞被膜或關鍵胞內機制的策略，被視為傳統抗生素以外的重要候選路徑。全球基因組與宏基因組測序已把數十億條氨基酸序列推進公開資料庫，但大量條目仍屬功能未明的「暗物質」——例如 UniProt 中有數百萬條由基因組計畫直接轉入、尚未充分註釋的序列。

Google 為此訓練 ProtNLM（Protein Natural Language Model）：直接讀氨基酸序列的演化「語法」，為未審核的 UniProtKB／TrEMBL 條目預測蛋白質名稱、功能說明、亞細胞定位、GO 術語與關鍵字等自然語言標註，從而縮小人工篩選空間。

在 Antigravity 工作台上，研究員與 AI 代理以多輪對話設定目標：在 Streptococcus pseudopneumoniae 中尋找並計算驗證新型 AMP。代理負責跨庫編排、結構分析與文獻綜合；人類負責科學策略與取證方向。示範中，代理篩出一條屬於 Lactococcin 972 家族、長度九十七個氨基酸的細菌素候選（UniProt ID：A0A0U0D591）。研究員隨後引導代理以 EMBL-EBI 的 NCBI-BLAST 對照 Swiss-Prot 人工審核蛋白，確認該序列在已審核同源物中沒有具意義的序列同源，以支持「新穎性」主張。

結構層面，代理自 AlphaFold Protein Structure Database 取回三維模型，與實驗已知結構比對並疊合；官方稱折疊形態與已知細菌素高度吻合，與 ProtNLM 功能預測互相印證。基因組鄰域方面，候選基因位於緊密耦合操縱子上游，與 ABC transporter permease 及其潛在 ATP 結合蛋白僅相隔六個鹼基對，旁邊還有另一條已註釋細菌素與 XRE 轉錄調控因子——官方解讀為「正在運作的細菌素系統」的情境證據。文獻綜合則指向可能作用於細菌細胞分裂、並對若干抗藥病原體具預測效力譜。最後，代理產出可落地的濕實驗計劃（表現、藥敏、靶點接合、體外毒性等）；官方稱此候選連同同管線其他發現「現正進行濕實驗驗證」。

同步推出的 Biomolecular Structure Viewer 把結構檢視嵌進 Antigravity：代理可驅動高亮功能區，研究員亦可在三維空間標註殘基或口袋並反向提問（例如某 β 股如何影響 Lipid II 結合），形成共享視覺狀態的人機協作。

二、技術原理深度解析

整條管線可理解為三層疊加。第一層是功能語言化：ProtNLM 把「看不懂的序列」變成可檢索、可過濾的自然語言註釋，讓代理能用領域問題（而非只靠序列相似度）掃描暗物質。第二層是代理式科學編排：把 BLAST、AlphaFold、基因組鄰域與文獻閱讀變成可中斷、可轉向的多工具會話，人類保留假設選擇權，機器負責重體力的跨系統操作。第三層是結構與情境雙重證據：序列預測 alone 不夠；折疊同源與操縱子鄰域提供正交訊號，再落到可執行的實驗協議，才接近「可資助／可排濕實驗檔期」的候選品質。

對企業 AI 架構師而言，重點不只是「又一個生命科學模型」，而是產品形態：把垂直領域模型（ProtNLM／AlphaFold）掛在通用代理工作台（Antigravity）上，並用共享 UI 狀態（三維檢視器）降低人機交接成本。這與一般聊天框式科研助手不同——它強調可觀測的工具調用鏈、可覆核的同源與結構證據，以及最終必須由濕實驗裁決的邊界。官方亦坦言：示範候選「生物學上合理、有結構與基因組 backing」，但「仍需濕實驗驗證」；濕實驗資源昂貴，所以事前把搜尋空間壓到最高信心子集，才是工程價值所在。

三、日常應用場景

1. 開發者與技術團隊

可把此案例當作「領域模型＋代理編排＋可視化控制面」的參考架構：為內部知識庫／實驗數據建 MCP 或工具適配器、為假設生成設可稽核日誌、為高風險動作（外送序列、對外 BLAST）設審批閘。開發者應優先複現官方公開的流程敘事與標識符（如 UniProt ID），而非假設已有可下載的端到端程式碼包。

2. 企業與隱私敏感行業

製藥、診斷、醫院感染控制與合約研究機構（CRO）若評估代理式科研，須把序列、病人／菌株元數據與實驗協議視為高敏感資產。雲端代理工作台便利，但跨境與知識產權外洩風險同步上升。較穩妥路徑是：領域模型推理與實驗紀錄留在可控環境，對外只送去識別化查詢；並把「預測≠臨床／藥政結論」寫進治理政策。

3. 一般用戶

一般消費者暫無直接產品。較實際的公共含義是：AMR 議題持續升溫時，AI 加速候選發現可能縮短「從序列到濕實驗」的前期篩選，但任何新療法仍須經嚴格臨床與監管路徑，不會因為代理示範而跳過。

4. 香港與亞洲市場視角

香港及亞洲多地正面對院內感染與抗藥菌株壓力，同時生命科學與健康科技是政策與投資熱點。本地大學、科學園／數碼港團隊與醫院研究單位，可關注兩件事：一是能否以私有或專用環境複現「註釋→篩選→結構→實驗計劃」管線；二是數據主權——菌株基因組與臨床相關註釋往往不能任意出境外送。對金融與專業服務業讀者，此事亦提醒「代理式系統」已從寫程式擴到科學假設生成，企業 AI 採購應同步要求可稽核工具鏈與人類最終問責。

四、專業評價與潛在考量

優勢

主源為 Google DeepMind 官方部落格（2026-10-15），流程、標識符與限制條件寫得清楚。
把 ProtNLM、AlphaFold、BLAST、基因組鄰域與濕實驗計劃串成可演示的端到端故事，商業與產學溝通價值高。
明確標示候選仍在濕實驗驗證，未誇大成已證實藥物。

需要留意的地方

示範聚焦狹窄氨基酸窗口與單一物種情境；外推到其他優先病原體仍須重跑策略與取證。
「無 Swiss-Prot 有意義同源」不等於功能已證實；結構相似與操縱子鄰域屬情境證據。
Antigravity 作為代理平台的企業可用性、資安邊界與定價未在本文展開，採購前需另核產品條款。
與同日其他 AI 監管／開源模型新聞相比，此篇屬科研工具突破，短期難直接變成一般企業 IT 的可安裝功能。

結語

DeepMind 以 Antigravity 示範如何把 UniProt「暗物質」掃描、結構驗證與實驗設計收進同一代理式科學工作台，並交出一條已進入濕實驗的抗菌肽候選。對香港團隊而言，眼前可落地的仍是可控的企業 AI 與資料管線；同時應把「領域模型＋可稽核代理＋人類最終裁決」寫進科研與合規架構，避免把預測結果誤當成臨床結論。

若你的機構需要在香港部署資料不出境的企業私有 LLM／代理輔助科研或知識工作流（Dataset → QLoRA／LoRA → 私有 API；年費 HK$88,000 起），可參考 YSK Limited 的企業私有 LLM 全託管：https://ysk.hk/services/ai-automation 。本機 Hugging Face 模型閘道亦可搭配 YSK Omni v1.0.4（預設埠 3850）做 OpenAI 相容介面實驗：https://ysk.hk/products/ysk-omni 。

參考來源

Google DeepMind Blog（官方，2026-10-15）：Accelerating the search for antimicrobial peptides with Google Antigravity — https://deepmind.google/blog/accelerating-antimicrobial-discovery/
發現來源：DeepMind Blog RSS（locked list official/deepmind；curl --compressed）
產品事實核對：https://ysk.hk/llms.txt 、https://ysk.hk/news/llms.txt（本次小時刷新）