Google DeepMind ha presentado un conjunto de Cheminformatics Skills para Google Antigravity, posicionando la plataforma impulsada por agentes como un banco de trabajo científico colaborativo para la química. Según la empresa, los flujos de trabajo que típicamente toman varios días para una sola iteración de descubrimiento de fármacos —curar datos complejos de gráficos, figuras y literatura, entrenar modelos predictivos y proponer moléculas candidatas para sintetizar— ahora pueden completarse en aproximadamente una hora.

En una publicación de blog publicada el 3 de noviembre de 2026, los investigadores Zoi Tsangalidou, Ruijie (Kelly) Zhang, Sukhdeep Singh y Michael V. LeVine describieron el sistema utilizando tratamientos reales de cáncer de pulmón como demostración: un agente equipado con las nuevas habilidades buscó entre miles de compuestos, realizó análisis de pares moleculares emparejados y propuso nuevas macrolactonas rígidas completas con rutas de síntesis en solo una hora.

Por qué los datos de quimioinformática siguen siendo difíciles de manejar

La química es uno de los registros públicos más ricos de la ciencia: abarca millones de estructuras en artículos científicos y catálogos de proveedores. Proporciona una representación común que vincula la física y las matemáticas con las ciencias de la vida y del medio ambiente, y las moléculas y sus transformaciones son omnipresentes, moldeando el mundo cotidiano.

A pesar de décadas de progreso en quimioinformática, los químicos todavía dedican demasiado tiempo a gestionar datos. El proceso se complica porque las moléculas pueden representarse de muchas maneras, desde descripciones textuales hasta imágenes o estructuras de datos: el mismo compuesto puede aparecer como un nombre IUPAC en un artículo, una estructura de Markush en una patente o un archivo de datos de estructura (SDF) en un catálogo. Los sistemas avanzados de quimioinformática deben poder unificar estas fuentes y lidiar con las muchas formas en que pueden surgir errores.

Según el equipo, esta tarea no tiene margen de error: alterar un solo átomo o enlace significa haber descrito un compuesto completamente distinto, volviendo inerte un inhibidor o catalizador prometedor.

Una división del trabajo entre modelos de lenguaje y herramientas deterministas

Para permitir que los científicos se concentren en hipótesis en lugar de la gestión de datos, DeepMind construyó las Cheminformatics Skills para convertir la superficie de Antigravity en un banco de trabajo científico colaborativo con acceso completo a herramientas locales tanto para químicos computacionales como para químicos experimentales de laboratorio.

Las habilidades también crean una división del trabajo en la que el modelo de lenguaje subyacente se encarga de la orquestación del flujo de trabajo, la navegación de bases de datos y el razonamiento científico, mientras que herramientas de química deterministas ejecutan los cálculos moleculares. El sistema se basa en RDKit, el kit de herramientas de quimioinformática de código abierto fundamental desarrollado durante dos décadas por una comunidad global de colaboradores, junto con conectores a recursos curados de ChEMBL y PubChem. En conjunto, estos componentes codifican las mejores prácticas del dominio directamente en el flujo de trabajo del agente.

Rigidizar una molécula flexible

El recorrido técnico destaca una técnica clásica de química medicinal para mejorar la potencia de los fármacos: la rigidización.

Las moléculas de fármacos pueden ser complejas, y a menudo vinculan múltiples subestructuras mediante enlaces rotables. Esos enlaces permiten que la molécula se tuerza en muchas formas tridimensionales, o conformaciones, haciéndola "flexible" en solución. Sin embargo, para unirse a su objetivo, una molécula flexible debe fijarse en una sola forma activa. Perder esa libertad de movimiento conlleva una penalización entrópica, que debilita la afinidad de unión y reduce la potencia.

Para resolver este problema, los químicos medicinales a menudo rigidizan las moléculas añadiendo nuevos enlaces. Dos subestructuras unidas por un solo enlace rotable pueden adoptar muchas conformaciones, pero añadir un segundo enlace que las una limita drásticamente cómo pueden moverse en el espacio tridimensional. Al colocar ese enlace en el lugar correcto, los químicos pueden fijar la molécula en la forma exacta necesaria para unirse a su objetivo. Esta estrategia, a menudo llamada "pagar por adelantado el costo entrópico", puede aumentar drásticamente la potencia.

El recorrido se centra en un caso bien conocido de rigidización exitosa. El crizotinib es un inhibidor de tirosina quinasa (TKI) de molécula pequeña de primera generación utilizado para tratar ciertas formas de carcinoma de pulmón de células no pequeñas; contiene cinco enlaces rotables principales. El lorlatinib es un TKI de molécula pequeña de tercera generación que se parece al crizotinib, pero ha sido ciclizado en su extremo para reducir el número efectivo de enlaces rotables a cero, lo que conduce a una mayor potencia, entre otros efectos.

Inteligencia colaborativa en acción

El equipo de DeepMind pidió al agente que buscara en la literatura estos fármacos y sus análogos. Con las Cheminformatics Skills en Antigravity, el agente extrajo las moléculas de los documentos, las asoció con los datos reportados y preparó los compuestos para análisis posteriores.

En cuestión de minutos, el agente recuperó miles de compuestos, filtró moléculas irrelevantes como tampones y solventes, y documentó sus fuentes en un informe. El informe también proporcionó un análisis inicial del conjunto de compuestos recuperados, destacando, por ejemplo, que las macrolactonas se predicen en gran medida como penetrantes en el cerebro, una propiedad importante dado que el cáncer de pulmón objetivo frecuentemente hace metástasis en el cerebro.

Para una exploración más profunda, el agente lanza un visor interactivo que muestra los compuestos curados, sus datos asociados y diagramas de dispersión personalizables. Graficar la potencia frente a los enlaces rotables, coloreado según el estado de macrolactona, revela de inmediato que macrolactonas como el lorlatinib tienden a tener menos enlaces rotables y mayor potencia.

DeepMind afirmó que diseñó las habilidades no solo para expandir las capacidades químicas del agente, sino también para hacer que la colaboración usuario-agente sea fluida. En el visor interactivo, los científicos pueden explorar cada compuesto recuperado de la literatura, hacer clic en moléculas individuales para inspeccionar sus metadatos y graficar relaciones en todo el conjunto de datos. Por ejemplo, al graficar la potencia celular frente a los enlaces rotables, coloreado según el estado de macrolactona, se muestra claramente que los compuestos de mayor potencia son los más rígidos.

Análisis de pares moleculares emparejados y modelado predictivo

Después de descargar y curar todos los datos, el agente realiza análisis más avanzados para apoyar el trabajo de un químico computacional. Como siguiente paso, el equipo realizó un análisis de pares moleculares emparejados (MMPA), una técnica utilizada en química medicinal para aislar los efectos de cambios pequeños y discretos en una molécula, comparando pares de moléculas que solo difieren en ese cambio. Notablemente, el agente había sugerido este análisis de forma independiente, ya que se esperaba que el conjunto de datos incluyera muchos pares informativos. El equipo también pidió al agente que construyera modelos predictivos utilizando sus capacidades de aprendizaje automático molecular.

El MMPA comparó muchos pares de moléculas que difieren en si están cicladas o no. Los resultados muestran que la ciclización reduce el número de enlaces rotables mientras que, en general, aumenta la potencia, como se esperaba.

El agente también construyó una gran cantidad de modelos de potencia utilizando diversos conjuntos de características y arquitecturas de modelos, y los validó en un conjunto de reserva. Las habilidades proporcionan al agente orientación sobre cómo construir mejor modelos de aprendizaje automático molecular; por ejemplo, el agente a menudo utiliza divisiones cronológicas, entrenando con compuestos más antiguos para predecir los más nuevos cuando esta información está disponible, pero puede recurrir a divisiones por andamio para estimar mejor la generalización.

En la demostración, el agente comparó múltiples arquitecturas de aprendizaje automático con diferentes conjuntos de características en cuatro lecturas experimentales distintas, utilizando una división por andamio para medir mejor el rendimiento fuera de la distribución. Una combinación de salidas estadísticas y visuales permite al científico evaluar el rendimiento del modelo y luego iterar con el agente.

Del análisis a la planificación de la síntesis

Finalmente, el equipo pidió al agente que diseñara nuevas macrolactonas mejoradas basándose en sus aprendizajes, y el agente recomendó múltiples reacciones y rutas de síntesis que involucran diferentes compuestos. El agente puede preparar estos compuestos para análisis adicionales con AlphaFold o técnicas basadas en física como la simulación de dinámica molecular.

El agente es capaz de razonar sobre la química al proponer nuevos planes de síntesis. En un ejemplo, propuso una reacción de ciclización, proporcionando al científico diagramas de desplazamiento de electrones para demostrar el mecanismo.

Una vez completado el análisis, los resultados pueden exportarse en varios formatos, listos para cargarse en muchos paquetes de software de química estándar de la industria.

Conociendo los límites

DeepMind también fue explícito sobre lo que estas herramientas no pueden hacer. Los datos escasos, el ruido de ensayos entre laboratorios y los rangos dinámicos estrechos limitan la precisión predictiva incluso de los modelos más potentes; los diseños computacionales son hipótesis comprobables, no fármacos terminados. Con las Cheminformatics Skills en Antigravity, un científico de descubrimiento de fármacos puede generar hipótesis de diseño mejor respaldadas más rápidamente, pero cada diseño propuesto debe sintetizarse y validarse experimentalmente.

La empresa sostuvo que la velocidad a la que los investigadores pueden tomar decisiones científicas significativas se está acelerando. No hace mucho, el flujo de trabajo demostrado en la publicación habría tomado varios días y habría requerido una experiencia computacional considerable. Usar Antigravity como un banco de trabajo científico permite tanto a los químicos computacionales como a los experimentales acelerar sus flujos de trabajo y concentrarse en las preguntas que realmente importan.

Disponibilidad y acceso gratuito para 10,000 científicos

Las habilidades de quimioinformática están disponibles en Google Antigravity desde el anuncio. Los científicos pueden descargar la aplicación Antigravity e instalar el complemento Science para comenzar a usarlas, y explorar casos de uso de Science documentados. Los usuarios Enterprise pueden comenzar con la quimioinformática en Antigravity eligiendo "Use Business Account" e iniciando sesión en la aplicación con sus credenciales de Google Cloud.

Para avanzar aún más el ritmo de la investigación, Google ofrece a 10,000 científicos el nivel de uso más alto de Google Antigravity de forma gratuita durante 6 meses, con incorporación progresiva y sujeto a elegibilidad, capacidad y selección. Las solicitudes ya están abiertas.

Agradecimientos

DeepMind reconoció las contribuciones de los siguientes miembros del equipo: 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 y Pushmeet Kohli.

La empresa también dirigió a los lectores a publicaciones relacionadas en su blog, incluyendo "Accelerating the search for antimicrobial peptides with Google Antigravity" y "Conversing with antiquity".

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