Google DeepMind hat eine Reihe von Cheminformatics Skills für Google Antigravity vorgestellt und positioniert die agenten-basierte Plattform damit als kollaborative Science-Workbench für die Chemie. Laut dem Unternehmen können Workflows, die üblicherweise mehrere Tage für eine einzelne Wirkstoffforschungs-Iteration benötigen – die Aufbereitung komplexer Daten aus Diagrammen, Abbildungen und Literatur, das Training prädiktiver Modelle und der Vorschlag zu synthetisierender Kandidatenmoleküle – nun in etwa einer Stunde abgeschlossen werden.

In einem am 3. November 2026 veröffentlichten Blogbeitrag beschrieben die Forscher Zoi Tsangalidou, Ruijie (Kelly) Zhang, Sukhdeep Singh und Michael V. LeVine das System anhand realer Lungenkrebstherapien: Ein Agent mit den neuen Skills durchsuchte Tausende Verbindungen, führte Matched-Molecular-Pair-Analysen durch und schlug neuartige rigidifizierte Makrozzyklen samt Syntheserouten in nur einer Stunde vor.

Warum Chemoinformatik-Daten weiterhin schwer zu handhaben sind

Die Chemie zählt zu den reichhaltigsten öffentlichen Wissensspeichern der Wissenschaft und umfasst Millionen von Strukturen in Fachartikeln und Lieferantenkatalogen. Sie liefert eine gemeinsame Darstellungsform, die Physik und Mathematik mit den Lebens- und Umweltwissenschaften verbindet, und Moleküle und ihre Umwandlungen sind allgegenwärtig und prägen die Alltagswelt.

Trotz jahrzehntelanger Fortschritte in der Chemoinformatik verbringen Chemiker immer noch zu viel Zeit mit der Datenhandhabung. Der Prozess wird dadurch erschwert, dass Moleküle auf vielfältige Weise dargestellt werden können, von Textbeschreibungen über Bilder bis hin zu Datenstrukturen: Dieselbe Verbindung kann als IUPAC-Name in einer Publikation, als Markush-Struktur in einem Patent oder als Structure-Data-File (SDF) in einem Katalog auftreten. Fortschrittliche Chemoinformatik-Systeme müssen diese Quellen vereinheitlichen und mit den zahlreichen möglichen Fehlerquellen umgehen können.

Nach Angaben des Teams gibt es bei dieser Aufgabe keinen Spielraum für Fehler – ändert man ein einzelnes Atom oder eine Bindung, beschreibt man eine völlig andere Verbindung, wodurch ein vielversprechender Inhibitor oder Katalysator wirkungslos wird.

Eine Arbeitsteilung zwischen Sprachmodellen und deterministischen Tools

Damit sich Wissenschaftler auf Hypothesen statt auf die Datenhandhabung konzentrieren können, baute DeepMind die Cheminformatics Skills, die die Oberfläche von Antigravity in eine kollaborative Science-Workbench mit vollem Zugriff auf lokale Tools für computergestützte und experimentell tätige Chemiker verwandeln.

Die Skills schaffen zudem eine Arbeitsteilung, bei der das zugrunde liegende Sprachmodell die Workflow-Orchestrierung, die Datenbanknavigation und das wissenschaftliche Schlussfolgern übernimmt, während deterministische Chemie-Tools die molekularen Berechnungen ausführen. Das System basiert auf RDKit, dem grundlegenden Open-Source-Chemoinformatik-Toolkit, das über zwei Jahrzehnte von einer globalen Community von Beitragenden entwickelt wurde, sowie auf Konnektoren zu kuratierten Ressourcen von ChEMBL und PubChem. Gemeinsam verankern diese Komponenten domainenspezifische Best Practices direkt im Workflow des Agenten.

Ein schlaffes Molekül rigidifizieren

Die technische Demonstration hebt eine klassische Methode der medizinischen Chemie zur Steigerung der Arzneimittelpotenz hervor: die Rigidifizierung.

Arzneimittelmoleküle können komplex sein und häufig mehrere Teilstrukturen über rotierbare Bindungen miteinander verbinden. Diese Bindungen lassen das Molekül in viele dreidimensionale Formen (Konformationen) schwenken, wodurch es in Lösung „schlaff" wird. Um an sein Ziel zu binden, muss ein schlaffes Molekül jedoch in eine einzelne aktive Form einfrieren. Der Verlust dieser Bewegungsfreiheit führt zu einer entropischen Strafe, die die Bindeverring schwächt und die Potenz senkt.

Um dieses Problem zu lösen, rigidifizieren medizinische Chemiker Moleküle oft durch das Hinzufügen neuer Bindungen. Zwei durch eine einzelne rotierbare Bindung verbundene Teilstrukturen können in viele Konformationen schwenken, aber das Hinzufügen einer zweiten Bindung, die sie verbindet, schränkt ihre Bewegung im dreidimensionalen Raum stark ein. Durch Platzierung dieser Bindung an der richtigen Stelle können Chemiker das Molekül in die exakte Form einfrieren, die zur Bindung an sein Ziel benötigt wird. Diese Strategie, oft als „vorab Zahlung der entropischen Kosten" bezeichnet, kann die Potenz dramatisch steigern.

Die Demonstration konzentriert sich auf einen bekannten Fall erfolgreicher Rigidifizierung. Crizotinib ist ein Tyrosinkinase-Inhibitor (TKI) der ersten Generation mit kleinen Molekülen, der zur Behandlung bestimmter Formen des nicht-kleinzelligen Lungenkarzinoms eingesetzt wird; er enthält fünf wesentliche rotierbare Bindungen. Lorlatinib ist ein TKI der dritten Generation mit kleinen Molekülen, der Crizotinib ähnelt, aber an seinem Ende zyclisiert wurde, um die effektive Anzahl rotierbarer Bindungen auf null zu reduzieren, was unter anderem zu einer höheren Potenz führt.

Kollaborative Intelligenz in Aktion

Das DeepMind-Team bat den Agenten, die Literatur nach diesen Wirkstoffen und ihren Analoga zu durchsuchen. Mit den Cheminformatics Skills in Antigravity extrahierte der Agent Moleküle aus den Dokumenten, verknüpfte sie mit den berichteten Daten und bereitete die Verbindungen für die nachgelagerte Analyse vor.

Innerhalb weniger Minuten rief der Agent Tausende Verbindungen ab, filterte irrelevante Moleküle wie Puffer und Lösungsmittel heraus und dokumentierte ihre Quellen in einem Bericht. Der Bericht enthielt auch eine erste Analyse des abgerufenen Verbindungssatzes und hob beispielsweise hervor, dass die Makrozzyklen überwiegend als hirngängig vorhergesagt werden – eine wichtige Eigenschaft, da der behandelte Lungenkrebs häufig in das Gehirn metastasiert.

Für eine tiefere Untersuchung startet der Agent einen interaktiven Viewer, der die kuratierten Verbindungen, ihre zugehörigen Daten und anpassbare Streudiagramme anzeigt. Trägt man die Potenz gegen rotierbare Bindungen auf, farblich kodiert nach Makrozyklen-Status, wird sofort sichtbar, dass Makrozzyklen wie Lorlatinib tendenziell weniger rotierbare Bindungen und eine höhere Potenz aufweisen.

DeepMind erklärte, die Skills seien nicht nur darauf ausgelegt, die Chemie-Fähigkeiten des Agenten zu erweitern, sondern auch die Zusammenarbeit zwischen Nutzer und Agent nahtlos zu gestalten. Im interaktiven Viewer können Wissenschaftler jede aus der Literatur abgerufene Verbindung durchsehen, einzelne Moleküle anklicken, um ihre Metadaten zu prüfen, und Beziehungen im Datensatz auftragen. Zum Beispiel zeigt der Vergleich der zellulären Potenz mit rotierbaren Bindungen, farblich kodiert nach Makrozyklen-Status, deutlich, dass die Verbindungen mit der höchsten Potenz die rigidesten sind.

Matched-Molecular-Pair-Analyse und prädiktive Modellierung

Nach dem Herunterladen und Kuratieren aller Daten führt der Agent weitergehende Analysen durch, die die Arbeit eines computergestützten Chemikers unterstützen. Als nächsten Schritt führte das Team eine Matched-Molecular-Pair-Analyse (MMPA) durch, ein Verfahren der medizinischen Chemie, das die Auswirkungen kleiner, diskreter Veränderungen an einem Molekül isoliert, indem Paare von Molekülen verglichen werden, die sich nur durch diese Veränderung unterscheiden. Bemerkenswerterweise hatte der Agent diese Analyse unabhängig vorgeschlagen, da erwartet wurde, dass der Datensatz viele aufschlussreiche Paare enthalten würde. Das Team bat den Agenten außerdem, prädiktive Modelle mit seinen molekularen Machine-Learning-Fähigkeiten zu erstellen.

Die MMPA verglich viele Molekülpaaare, die sich darin unterscheiden, ob sie zyclisiert sind oder nicht. Die Ergebnisse zeigen, dass die Zyclisierung die Anzahl rotierbarer Bindungen reduziert und die Potenz im Allgemeinen erhöht, wie erwartet.

Der Agent erstellte zudem eine große Zahl von Potenzmodellen mit unterschiedlichen Feature-Sets und Modellarchitekturen und validierte sie an einem zurückgehaltenen Datensatz. Die Skills geben dem Agenten Hinweise dazu, wie molekulare Machine-Learning-Modelle am besten erstellt werden – beispielsweise verwendet der Agent oft chronologische Splits, bei denen mit älteren Verbindungen neuere vorhergesagt werden, wenn diese Information verfügbar ist, greift andernfalls aber auf Scaffold-Splits zurück, um die Generalisierbarkeit besser abzuschätzen.

In der Demonstration benchmarkte der Agent mehrere Machine-Learning-Architekturen mit unterschiedlichen Feature-Sets über vier verschiedene experimentelle Auslesegrößen hinweg und verwendete dabei einen Scaffold-Split, um die Leistung außerhalb der Verteilung besser einzuschätzen. Eine Kombination aus statistischen und visuellen Ergebnissen ermöglicht es dem Wissenschaftler, die Modellleistung zu bewerten und anschließend mit dem Agenten zu iterieren.

Von der Analyse zur Syntheseplanung

Abschließend bat das Team den Agenten, neue, verbesserte Makrozzyklen auf Grundlage seiner Erkenntnisse zu entwerfen, und der Agent empfahl mehrere Reaktionen und Syntheserouten mit verschiedenen Verbindungen. Der Agent kann diese Verbindungen für weitere Analysen mit AlphaFold oder physikbasierten Techniken wie Molekulardynamiksimulationen vorbereiten.

Der Agent kann bei der Entwicklung neuer Synthesepläne chemisch schlussfolgern. In einem Beispiel schlug er eine Zyclisierungsreaktion vor und lieferte dem Wissenschaftler Elektronenverschiebungsdiagramme zur Veranschaulichung des Mechanismus.

Sobald die Analyse abgeschlossen ist, können die Ergebnisse in verschiedenen Formaten exportiert und in viele industriestandard-Chemiesoftwarepakete geladen werden.

Die Grenzen kennen

DeepMind machte auch deutlich, was diese Tools nicht leisten können. Spärliche Daten, assaybedingte Rauschen zwischen Laboratorien und enge dynamische Bereiche begrenzen die Vorhersagegenauigkeit selbst der leistungsstärksten Modelle; computergestützte Entwürfe sind überprüfbare Hypothesen, keine fertigen Arzneimittel. Mit den Cheminformatics Skills in Antigravity kann ein Wissenschaftler in der Wirkstoffforschung schneller besser fundierte Designhypothesen generieren, aber jeder vorgeschlagene Entwurf muss synthetisiert und experimentell validiert werden.

Das Unternehmen argumentierte, dass sich das Tempo beschleunigt, mit dem Forscher bedeutungsvolle wissenschaftliche Entscheidungen treffen können. Noch vor kurzer Zeit hätte der in dem Beitrag demonstrierte Workflow mehrere Tage gedauert und erhebliche computergestützte Expertise erfordert. Die Nutzung von Antigravity als Science-Workbench ermöglicht sowohl computergestützten als auch experimentellen Chemikern, ihre Workflows zu beschleunigen und sich auf die wirklich wichtigen Fragen zu konzentrieren.

Verfügbarkeit und kostenloser Zugang für 10.000 Wissenschaftler

Die Chemoinformatik-Skills sind ab der Ankündigung auf Google Antigravity verfügbar. Wissenschaftler können die Antigravity App herunterladen und das Science-Plugin installieren, um die Skills zu nutzen, und dokumentierte Science-Anwendungsfälle erkunden. Enterprise-Nutzer können mit der Chemoinformatik auf Antigravity starten, indem sie „Use Business Account" wählen und sich mit ihren Google Cloud-Zugangsdaten in der App anmelden.

Um das Forschungstempo weiter zu erhöhen, bietet Google 10.000 Wissenschaftlern die höchste Nutzungstufe in Google Antigravity für 6 Monate kostenlos an, mit laufender Onboarding-Vergabe und vorbehaltlich der Berechtigung, Kapazität und Auswahl. Die Bewerbungen sind ab sofort möglich.

Danksagungen

DeepMind würdigte die Beiträge folgender Teammitglieder: Filip Radlinski, Artem Sobolev, Victoria Johnston, Hannah Kiely-Collins, Zachary Wu, Jue Wang, Jack Dunger, Adriana Fernandez Lara, Ngân Vũ, Doug Fritz, Yunhan Xu, Sebastian Nowozin und Pushmeet Kohli.

Das Unternehmen verwies die Leser zudem auf verwandte Beiträge in seinem Blog, darunter "Accelerating the search for antimicrobial peptides with Google Antigravity" und "Conversing with antiquity".

Quelle: Google DeepMind Blog — "Agentic Cheminformatics with Google Antigravity"