AI สามารถทำนายยาปฏิชีวนะชนิดใหม่ก่อนการทดสอบในห้องปฏิบัติการได้หรือไม่? Antigravity ของ DeepMind

สรุปสั้น: Google DeepMind ใช้ Antigravity ค้นพบเปปไทด์ต้านแบคทีเรียยาว 97 กรดอะมิโนจาก S. pseudopneumoniae ได้ภายในไม่กี่ชั่วโมง แม้ยังต้องรอการยืนยันในห้องปฏิบัติการ แต่เทคโนโลยีนี้ช่วยเร่งการค้นหายาปฏิชีวนะใหม่เพื่อแก้ปัญหาภาวะดื้อยาได้อย่างมีนัยสำคัญ

ข้อเท็จจริงสำคัญ

• Google DeepMind ประกาศการค้นพบเปปไทด์ต้านเชื้อแบคทีเรียจาก Streptococcus pseudopneumoniae เมื่อวันที่ 15 ตุลาคม 2026 โดยใช้แพลตฟอร์ม Antigravity
• เปปไทด์ตัวผู้สมัครมีความยาว 97 กรดอะมิโน และไม่มีโฮโมโลกซ์ที่รู้จักในฐานข้อมูล Swiss-Prot ซึ่งบ่งชี้ถึงความใหม่ของการค้นพบนี้
• ระบบใช้โมเดล ProtNLM สแกนลำดับโปรตีนหลายล้านรายการและ AlphaFold เพื่อสร้างแบบจำลองโครงสร้างสามมิติยืนยันความเป็นไปได้ทางชีวภาพ
• กระบวนการค้นหาที่ใช้เวลาเพียงไม่กี่ชั่วโมงนี้แตกต่างจากวิธีการดั้งเดิมที่อาจใช้เวลาหลายเดือน ในการคัดกรองฐานข้อมูลที่แยกส่วน
• Google ระบุว่าสารดังกล่าวยังอยู่ระหว่างขั้นตอนการตรวจสอบในห้องปฏิบัติการ (wet-lab) เพื่อพิสูจน์ประสิทธิภาพและการฆ่าแบคทีเรียในสภาวะจริง
• ภาวะดื้อยาต้านจุลชีพ (AMR) คาดการณ์ว่าจะทำให้มีผู้เสียชีวิตทั่วโลกปีละ 10 ล้านคนภายในปี 2050 หากไม่มีการค้นพบการรักษาใหม่ๆ

AI สามารถค้นพบยาปฏิชีวนะชนิดใหม่ก่อนการทดสอบในห้องปฏิบัติการได้จริงหรือไม่?

คำถามที่ติดอยู่ในความคิดของนักวิจัยทุกคน หลังจากประกาศของ Google DeepMind เมื่อวันที่ 15 ตุลาคม 2026: ปัญญาประดิษฐ์สามารถค้นหาสารต้านจุลชีพชนิดใหม่ได้ก่อนที่จะมีการยืนยันประสิทธิภาพผ่านการทดลองในห้องปฏิบัติการหรือไม่? คำตอบสั้นๆ คือ ได้—แต่เฉพาะในทางทฤษฎี Google Antigravity ได้ระบุเปปไทด์ต้านเชื้อแบคทีเรียที่มีศักยภาพจาก Streptococcus pseudopneumoniae ภายในเวลาเพียงไม่กี่ชั่วโมง แต่แพลตฟอร์มนี้ยังไม่ได้พิสูจน์ว่าสารดังกล่าวสามารถฆ่าแบคทีเรียได้ในสภาวะจริง

ความแตกต่างนี้เป็นสิ่งสำคัญ แม้ว่า AI จะสามารถสแกนลำดับโปรตีนที่ยังไม่ถูกอธิบายลักษณะไว้หลายล้านรายการได้อย่างรวดเร็วโดยใช้ ProtNLM และทำนายหน้าที่ทางชีวภาพจากรูปแบบกรดอะมิโน [1][2] แต่ประสิทธิภาพของยาที่แท้จริงจำเป็นต้องอาศัยการทดลองในห้องปฏิบัติการ (wet-lab) เปปไทด์ตัวผู้สมัครซึ่งมีความยาว 97 กรดอะมิโน และไม่มีโฮโมโลกซ์ (homologs) ที่รู้จักกันใน Swiss-Prot ถูกอธิบายว่ามีความเป็นไปได้ทางชีวภาพ โดยอิงจากการสร้างแบบจำลองโครงสร้างผ่าน AlphaFold และ Foldseek [3] อย่างไรก็ตาม Google ระบุอย่างชัดเจนว่าสารดังกล่าวยังอยู่ระหว่างกระบวนการตรวจสอบด้วยการทดลอง [1][2] ช่องว่างระหว่างการคาดการณ์และการพิสูจน์นี้สะท้อนถึงแนวโน้มที่กำลังเติบโต: AI เร่งกระบวนการค้นพบ แต่ชีววิทยายังคงต้องการการทดสอบทางกายภาพ

พลังของวิทยาศาสตร์แบบเอเจนต์ (Agentic Science): จากข้อมูลสู่สมมติฐานในไม่กี่ชั่วโมง

Google Antigravity ทำหน้าที่เป็นโต๊ะทำงานสำหรับวิทยาศาสตร์แบบเอเจนต์ โดยรวมเครื่องมือต่างๆ เช่น Biomolecular Structure Viewer เพื่อให้ผู้วิจัยและเอเจนต์ AI สามารถร่วมมือกันสร้างแบบจำลอง 3 มิติในเวลาจริง [5][6] ต่างจากขั้นตอนการทำงานแบบดั้งเดิมที่ต้องใช้เวลาหลายเดือนในการคัดกรองด้วยตนเองผ่านฐานข้อมูลที่แยกส่วน Antigravity สามารถบีบอัดการค้นหาให้เสร็จสิ้นในเซสชันเดียว มันใช้ ProtNLM ซึ่งเป็นโมเดลการเรียนรู้เชิงลึกที่ฝึกฝนมาเพื่ออนุมานหน้าที่จากรหัสลำดับ เพื่อวิเคราะห์ “สสารมืด” ในฐานข้อมูลโปรตีนอย่าง UniProt ซึ่งลำดับส่วนใหญ่ยังขาดป้ายกำกับหน้าที่ [1][2]

ในกรณีนี้ เอเจนต์ได้สแกนรายการที่ยังไม่ถูกอธิบายลักษณะไว้หลายล้านรายการ และชี้ให้เห็นถึงแบคทีริโอซิน (bacteriocin) ยาว 97 กรดอะมิโนจาก S. pseudopneumoniae ซึ่งไม่มีการจับคู่ที่มีความหมายในข้อมูล Swiss-Prot ที่จัดทำโดยมนุษย์ ชี้ให้เห็นถึงความใหม่ของการค้นพบนี้ [3] การวิเคราะห์โครงสร้างยังสนับสนุนความเป็นไปได้ดังกล่าวอีกด้วย โดยแบบจำลอง AlphaFold ของตัวผู้สมัครมีการจัดเรียงที่สอดคล้องอย่างใกล้ชิดกับโครงสร้างแบคทีริโอซินที่รู้จักแล้วในการค้นหาผ่าน Foldseek [3] ผลลัพธ์เหล่านี้มีความน่าดึงดูดใจ แต่ยังคงเป็นเพียงการคำนวณ—ยังไม่มีข้อมูลเกี่ยวกับกิจกรรมต้านจุลชีพหรือความเป็นพิษถูกตีพิมพ์ออกมา [3]

ทำไมสิ่งนี้จึงยังไม่ถือเป็นนวัตกรรมที่ก้าวกระโดด—และทำไมมันยังคงสำคัญ

เรื่องราวที่แท้จริงไม่ใช่ตัวยาตัวนั้นเอง แต่คือสิ่งที่มันเปิดเผยเกี่ยวกับบทบาทของ AI ที่กำลังเปลี่ยนแปลงไปในการค้นพบยา แม้ทีมอื่นๆ เช่น ของ Cesar de la Fuente จาก UPenn จะใช้ AI เพื่อลดระยะเวลาการค้นพบสารปฏิชีวนะจากหลายปีเหลือเพียงไม่กี่ชั่วโมง [7] แต่แนวทางของ DeepMind นั้นแตกต่างออกไป: มันใช้กระบวนการทำงานแบบ agentic (agentic workflows) ซึ่ง AI ไม่ได้แค่ทำนายผล แต่ยังเสนอกลไกการทำงานและสำรวจบริบททางโครงสร้างแบบโต้ตอบได้ [3] Pushmeet Kohli ระบุว่า Antigravity พัฒนาขึ้นอย่างต่อเนื่องตลอดระยะเวลาหนึ่งปี โดยการผสานรวมโมเดล Gemini เข้ากับนวัตกรรมสำคัญอย่าง AlphaFold และ AlphaGenome [6]

อย่างไรก็ตาม การขาดแคลนโค้ดที่เผยแพร่ บันทึกการทำงานของเอเจนต์ (agent transcripts) หรือคลังข้อมูลสาธารณะ ล้วนจำกัดความสามารถในการนำผลไปทำซ้ำได้ [3] และแม้ว่า Google จะเปิดตัวโปรแกรม ‘Antigravity for Science’ เพื่อสนับสนุนการนำไปใช้ในงานวิชาการ [6] แต่การเข้าถึงยังคงมีข้อจำกัด ข้ออ้างของแพลตฟอร์มที่ว่าสามารถสแกนฐานข้อมูลด้านวิทยาศาสตร์ชีวิตกว่า 30 แห่งผ่านปลั๊กอินนั้นยังไม่ได้รับการยืนยันในบันทึกสาธารณะ [4] แม้แต่การระบุว่าการค้นพบนี้ตั้งอยู่ก่อนหน้าโอเปอรอน (operon) ที่มีความเชื่อมโยงกันอย่างแน่นหนา ก็ยังขาดการยืนยันจากแหล่งอิสระ [4]

ภาพรวมที่ใหญ่กว่า: AI ในฐานะผู้ช่วยร่วม ไม่ใช่ตัวแทนที่เข้ามาแทนที่

ภาวะดื้อยาต้านจุลชีพ (AMR) อาจทำให้มีผู้เสียชีวิตทั่วโลกปีละ 10 ล้านคนภายในปี 2050 หากไม่มีการค้นพบการรักษาใหม่ๆ [1][2] แบคเทอริโอซินที่มีอยู่ เช่น Nisin และผู้สมัครที่ค้นพบจากการขุดเจาะจีโนมอย่าง Darobactin ได้เข้าสู่การใช้งานทางคลินิกแล้ว แต่ยังมีลำดับพันธุกรรมอีกนับพันล้านชุดที่ยังไม่ถูกสำรวจ [1][2] จุดแข็งของ Antigravity อยู่ที่ความสามารถในการเดินทางผ่านพื้นที่กว้างใหญ่และยังไม่มีการทำแผนที่นี้ได้อย่างรวดเร็วที่สุดเท่าที่เคยมีมา

แต่แก่นแท้ของเรื่องนี้ยังคงเดิม: AI ทำหน้าที่ทำนาย และชีววิทยาทำหน้าที่ยืนยัน ผู้สมัครจาก S. pseudopneumoniae อาจเป็นสารตั้งต้นที่มีศักยภาพจริง—but only time, and lab work, will tell. สำหรับตอนนี้ Antigravity ไม่ใช่กระสุนวิเศษ แต่เป็นตัวช่วยร่วมที่ทรงพลังในการแข่งขันเพื่อต่อสู้กับแบคทีเรียดื้อยา

แหล่งข้อมูล

1. Google Antigravity: Accelerating Antimicrobial Peptide Search (deepmind.google) — 2026-10-15
2. Google Antigravity: Accelerating Antimicrobial Peptide Search (deepmind.google) — 2026-10-15
3. DeepMind Antigravity Antimicrobial Peptide: Real Lead? | explainx.ai Blog — 2026-10-15
4. HyperAI (hyper.ai) — 2026-10-15
5. Pushmeet Kohli (@pushmeet) on X (x.com) — 2026-10-16
6. Artificial Intelligence to Accelerate Antibiotic Discovery (beblogarchive.engineering.upenn.edu) — 2024-06-07
7. Google DeepMind Walkthrough Details Antimicrobial Peptide Discovery (www.unite.ai) — 2026-10-15