该文标题涉及利用Google Antigravity加速抗菌肽研发，但正文仅有标题与栏目信息，缺乏实质内容，无法概括。

谷歌推出Antigravity智能科研平台，结合ProtNLM模型，可从氨基酸序列预测蛋白质功能，帮助生物学家快速筛选数百万未表征蛋白。研究者借此发现一种具抗呼吸道病原体潜力的新型抗菌肽候选物，已进入湿实验验证阶段。该平台整合数据库查询、结构分析与文献推理，简化新抗生素研发流程。

1928年青霉素的发现开启了抗菌新纪元，但抗生素耐药性问题日益严重。宾夕法尼亚大学筛选出386种新型抗菌肽，其中91.4%显示出强效抗菌活性，为新抗生素研发提供了新思路。

本研究提出OmegAMP框架，旨在提高深度学习抗菌肽（AMP）发现的命中率和可控性。该框架结合扩散生成模型和低维嵌入，能够精确生成具有特定物理化学特性和活性谱的AMP，推动抗菌药物抗性研究的发展。

本文探讨了利用机器学习框架筛选新型抗菌肽（AMP）的方法，强调了循环神经网络和图形过滤器的应用，显著减少实验次数和时间成本。同时，介绍了多种基于Transformer的模型在抗癌肽和功能性肽预测中的成功应用，展示了深度学习在化学信息学领域的潜力。

该文综述机器学习在多肽与免疫治疗中的应用：提出FastText+BiLSTM抗癌肽分类模型，准确率达92.50%和96.15%；利用循环神经网络与图过滤器筛选抗菌肽；介绍多模态注意力网络预测抗癌化合物敏感性；提出PepCVAE生成新型抗菌肽；构建多任务框架预测B细胞表位；结合生成模型与强化学习设计PROTACs；用稀疏编码分类TCR序列，准确率达99.8%；并讨论数据来源、评价指标与未来挑战。