2026年10月15日，Google DeepMind 发布博文，宣称利用旗下的智能体科研平台 Google Antigravity 跑通了一条抗菌肽自动化筛选管线，把原本需要耗费数天的数据库分选工作压缩至单次协作会话中。然而拨开宣发层面的效率神话，这场实验公开的核心候选分子迄今没有哪怕一项体外抑菌或毒性数据支撑。
这一成果给行业带来的并非新型抗生素的诞生，而是 AI 科研智能体在自动化生物信息流程上的一次工程演练。
算出来的候选分子，仍停在纸面上
全球抗生素耐药性危机步步紧逼，传统小分子抗生素研发陷入枯竭，抗菌肽被视作关键突围方向。传统生信筛选往往依赖繁杂的多步骤脚本与人工比对，流程耗时且割裂。
Google DeepMind 在其管线中展示的代表成果，是一个来自假肺炎链球菌的候选分子，UniProt 编号为 A0A0U0D591。它由 97个氨基酸 构成，属于 Lactococcin 972 家族细菌素，在人工审查数据库 Swiss-Prot 中甚至找不到显著的序列同源物。
看似潜力巨大，但事实是：截至发布时，官方对该分子的湿实验验证仍处于进行中。它没有最低抑菌浓度（MIC）数据，没有细胞毒性与溶血测试，更没有动物感染模型的结果。换句话说，它的抗菌活性目前完全由计算推断得出，本质上仍是一个未经检验的数学假说。
宣传中提到的压缩至单次会话，同样缺少可量化的基准线。官方既没有公布受控基准对照，也没有说明具体会话时长与精确的加速倍数。这场发布的聚光灯看似打在生物医药上，底座却是一场关于科研智能体调用能力的秀场。
命中率的水分，与耐药菌的现实
公众极易把大厂公布的计算突破自动脑补为新药落地。但在计算生物学领域，算法预测的命中率与临床成药之间隔着一道巨大的鸿沟。
学界此前并非没有类似探索，而且早已进入了体外和动物实验的深水区。学术界知名标杆 Santos-Júnior 等人发表在 Cell 2024 的研究，利用开源工具 Macrel 从近 15 万个宏基因组和基因组中筛出了多达 863,498个非冗余候选肽（AMPSphere）。研究团队真金白银合成了 100 个肽进行湿实验测试，获得了 79%的总体抑菌命中率。
但将这组数据进一步拆解，残酷的现实便浮出水面：这 100 个肽针对真实临床病原体的有效命中率骤降至 63%，而面对臭名昭著的耐甲氧西林金黄色葡萄球菌（MRSA），实际命中率直接变成了 0/100。
各研究对命中率的定义本身也大相径庭。2024 年一项人体微生物组挖掘研究测出的抑菌率为 70.5%，但其中包含了大量无害共生菌；而基于生成模型的 AMP-Designer 在 2025 年 Science Advances 上报告了 94.4% 的体外活性，但总样本仅测试了 18 个且有 2 个在物理合成环节直接失败。更关键的是，不同实验对细胞毒性和溶血安全性的评估尺度并不一致，空谈百分比并无意义。
算力能轻易在数字世界里生成成千上万个高分分子，可一旦遭遇耐药菌与人体的生理屏障，绝大多数都会瞬间失效。
药物研发的真正瓶颈从来不是算不出分子，而是算出来的分子无法安全成药。
工具链自动化，难掩底层假阳性隐忧
回归到技术细节，Google 究竟做对了什么，又避开了什么？
从工程角度看，智能体确实提升了分析效率。Google 内部基准测试显示，Gemini 3 Flash 在配合专业科学技能集（Science Skills）后，67 项工具调用任务的完成率从 49% 跃升至 93%。它能够自主执行序列拉取、结构预测比对以及文献检索，免去了科研人员在不同命令行与数据库之间反复倒腾的痛苦。
- 结论.智能体解决了生物信息学工具链的粘合成本，把原本离散的流水线变成了即时会话，大幅降低了计算操作门槛。
但调用顺畅并不等于生物学发现的真实性。Google 管线高度依赖的蛋白质语言模型 ProtNLM 并非无懈可击。外部评测（如 AI4Curation 针对 ProtNLM2 预发布版本的评估）与既往文献曾明确指出，该模型在面对共享特定结构域的序列时，存在错误转移功能注释的假阳性风险。若上游功能注释出现偏差，下游智能体无论调度得多快，都只是在放大这一偏差。
- 风险.由于未开放端到端的可复现执行日志、冻结数据库镜像及被淘汰的负样本记录，外部独立机构目前无法复现整个挖掘过程，更无从评估其中的选择偏差。
天下大事，必作于细。在生命科学领域，算法跑得再快，最终还是要在培养皿里见真章。Google Antigravity 展现了优秀的智能体工程整合能力，但它距离成为真正的抗耐药菌救命解药，还差着好几轮扎扎实实的湿实验检验。