Google DeepMind a dévoilé une suite de Cheminformatics Skills pour Google Antigravity, positionnant la plateforme agentique comme un atelier scientifique collaboratif dédié à la chimie. Selon l'entreprise, les flux de travail qui prennent généralement plusieurs jours pour une seule itération de découverte de médicaments — curation de données complexes issues de graphiques, de figures et de la littérature, entraînement de modèles prédictifs et proposition de molécules candidates à synthétiser — peuvent désormais être réalisés en environ une heure.

Dans un article de blog publié le 3 novembre 2026, les chercheurs Zoi Tsangalidou, Ruijie (Kelly) Zhang, Sukhdeep Singh et Michael V. LeVine ont décrit le système en s'appuyant sur des traitements réels du cancer du poumon : un agent doté des nouvelles compétences a parcouru des milliers de composés, réalisé une analyse de paires moléculaires appariées et proposé de nouveaux macrotcycles rigidifiés avec des voies de synthèse en une seule heure.

Pourquoi les données chimoinformatiques restent difficiles à traiter

La chimie est l'un des plus riches corpus publics de la science, couvrant des millions de structures dans les articles scientifiques et les catalogues de fournisseurs. Elle offre une représentation commune qui relie la physique et les mathématiques aux sciences du vivant et de l'environnement, et les molécules ainsi que leurs transformations sont omniprésentes, façonnant le monde quotidien.

Malgré des décennies de progrès en chimoinformatique, les chimistes passent encore trop de temps à manipuler des données. Le processus est compliqué par le fait que les molécules peuvent être représentées de nombreuses manières, des descriptions textuelles aux images ou structures de données : un même composé peut apparaître sous forme de nom IUPAC dans un article, de structure Markush dans un brevet ou de fichier de données structurelles (SDF) dans un catalogue. Les systèmes de chimoinformatique avancés doivent pouvoir unifier ces sources et gérer les nombreuses façons dont des erreurs peuvent survenir.

Selon l'équipe, cette tâche ne tolère aucune erreur — modifier un seul atome ou une seule liaison suffit à décrire un composé entièrement différent, rendant inerte un inhibiteur ou un catalyseur prometteur.

Une division du travail entre modèles de langage et outils déterministes

Pour permettre aux scientifiques de se concentrer sur les hypothèses plutôt que sur la manipulation de données, DeepMind a conçu les Cheminformatics Skills afin de transformer l'interface d'Antigravity en un atelier scientifique collaboratif offrant un accès complet aux outils locaux, tant pour les chimistes computationnels que pour les chimistes expérimentaux.

Ces compétences établissent également une division du travail : le modèle de langage sous-jacent gère l'orchestration des flux de travail, la navigation dans les bases de données et le raisonnement scientifique, tandis que des outils chimiques déterministes exécutent les calculs moléculaires. Le système s'appuie sur RDKit, la boîte à outils open source fondamentale de chimoinformatique développée depuis deux décennies par une communauté mondiale de contributeurs, ainsi que sur des connecteurs vers des ressources organisées de ChEMBL et PubChem. Ensemble, ces composants intègrent directement les meilleures pratiques du domaine dans le flux de travail de l'agent.

Rigidifier une molécule souple

La démonstration technique met en lumière une technique classique de chimie médicinale pour améliorer l'activité d'un médicament : la rigidification.

Les molécules médicamenteuses peuvent être complexes, reliant souvent plusieurs sous-structures par des liaisons rotatives. Ces liaisons permettent à la molécule de se tordre en de nombreuses formes tridimensionnelles, ou conformations, la rendant « souple » en solution. Pour se lier à sa cible, cependant, une molécule souple doit se verrouiller dans une seule forme active. La perte de cette liberté de mouvement entraîne un coût entropique, qui affaiblit l'affinité de liaison et réduit l'activité.

Pour résoudre ce problème, les chimistes médicinaux rigidifient souvent les molécules en ajoutant de nouvelles liaisons. Deux sous-structures reliées par une seule liaison rotative peuvent se tordre en de nombreuses conformations, mais l'ajout d'une seconde liaison pour les relier limite fortement leurs mouvements dans l'espace tridimensionnel. En plaçant cette liaison au bon endroit, les chimistes peuvent verrouiller la molécule dans la forme exacte nécessaire pour se lier à sa cible. Cette stratégie, souvent appelée « payer le coût entropique à l'avance », peut considérablement augmenter l'activité.

La démonstration se concentre sur un cas connu de rigidification réussie. Le crizotinib est un inhibiteur de tyrosine kinase (TKI) de petite molécule de première génération utilisé pour traiter certaines formes de carcinome pulmonaire non à petites cellules ; il contient cinq liaisons rotatives principales. Le lorlatinib est un TKI de petite molécule de troisième génération qui ressemble au crizotinib, mais qui a été cyclisé à son extrémité pour réduire le nombre effectif de liaisons rotatives à zéro, entraînant notamment une activité plus élevée.

L'intelligence collaborative en action

L'équipe DeepMind a demandé à l'agent de rechercher dans la littérature ces médicaments et leurs analogues. Grâce aux Cheminformatics Skills d'Antigravity, l'agent a extrait les molécules de ces documents, les a associées aux données rapportées et a préparé les composés pour l'analyse en aval.

En quelques minutes, l'agent a récupéré des milliers de composés, filtré les molécules non pertinentes telles que les tampons et les solvants, et documenté leurs sources dans un rapport. Le rapport fournissait également une analyse initiale de l'ensemble des composés récupérés, soulignant par exemple que les macrotcycles sont en grande partie prédits comme pénétrant le cerveau — une propriété importante sachant que le cancer du poumon ciblé métastase fréquemment au cerveau.

Pour une exploration plus approfondie, l'agent lance une visionneuse interactive affichant les composés organisés, leurs données associées et des nuages de points personnalisables. Tracer l'activité en fonction des liaisons rotatives, coloré par statut de macrotcycle, révèle immédiatement que les macrotcycles comme le lorlatinib tendent à avoir moins de liaisons rotatives et une activité plus élevée.

DeepMind a déclaré avoir conçu ces compétences non seulement pour étendre les capacités chimiques de l'agent, mais aussi pour rendre la collaboration utilisateur-agent fluide. Dans la visionneuse interactive, les scientifiques peuvent parcourir chaque composé récupéré dans la littérature, cliquer sur des molécules individuelles pour examiner leurs métadonnées et tracer des relations dans l'ensemble des données. Par exemple, tracer l'activité cellulaire en fonction des liaisons rotatives, coloré par statut de macrotcycle, montre clairement que les composés les plus actifs sont les plus rigides.

Analyse de paires moléculaires appariées et modélisation prédictive

Après avoir téléchargé et organisé toutes les données, l'agent réalise des analyses plus avancées pour soutenir le travail d'un chimiste computationnel. À l'étape suivante, l'équipe a effectué une analyse de paires moléculaires appariées (MMPA), une technique de chimie médicinale utilisée pour isoler les effets de petites modifications discrètes d'une molécule en comparant des paires de molécules ne différant que par cette modification. Fait notable, l'agent avait lui-même suggéré cette analyse de manière indépendante, l'ensemble de données devant contenir de nombreuses paires informatives. L'équipe a également demandé à l'agent de construire des modèles prédictifs grâce à ses capacités d'apprentissage automatique moléculaire.

La MMPA a comparé de nombreuses paires de molécules différant par leur cyclisation ou non. Les résultats montrent que la cyclisation réduit le nombre de liaisons rotatives tout en augmentant généralement l'activité, comme prévu.

L'agent a également construit un grand nombre de modèles d'activité en utilisant divers jeux de caractéristiques et architectures de modèles, et les a validés sur un ensemble de test retenu. Les compétences fournissent à l'agent des indications sur la meilleure façon de construire des modèles d'apprentissage automatique moléculaire — par exemple, l'agent utilise souvent des divisions chronologiques, en entraînant sur des composés plus anciens pour prédire les plus récents, lorsque cette information est disponible, mais peut recourir à des divisions par échafaudage pour mieux estimer la généralisabilité.

Dans la démonstration, l'agent a comparé plusieurs architectures d'apprentissage automatique avec différents jeux de caractéristiques sur quatre types de lectures expérimentales, en utilisant une division par échafaudage pour mieux évaluer les performances hors distribution. Une combinaison de sorties statistiques et visuelles permet au scientifique d'évaluer les performances des modèles, puis d'itérer avec l'agent.

De l'analyse à la planification de la synthèse

Enfin, l'équipe a demandé à l'agent de concevoir de nouveaux macrotcycles améliorés sur la base de ses apprentissages, et l'agent a recommandé plusieurs réactions et voies de synthèse impliquant différents composés. L'agent peut préparer ces composés pour une analyse plus approfondie avec AlphaFold ou des techniques physiques telles que la simulation de dynamique moléculaire.

L'agent est capable de raisonner sur la chimie lorsqu'il propose de nouveaux plans de synthèse. Dans un exemple, il a proposé une réaction de cyclisation, fournissant au scientifique des diagrammes de déplacement d'électrons pour illustrer le mécanisme.

Une fois l'analyse terminée, les résultats peuvent être exportés dans divers formats, prêts à être chargés dans de nombreux logiciels de chimie standards de l'industrie.

Connaître les limites

DeepMind a également été explicite sur ce que ces outils ne peuvent pas faire. Les données éparses, le bruit des essais entre laboratoires et les plages dynamiques étroites limitent la précision prédictive même des modèles les plus puissants ; les conceptions computationnelles sont des hypothèses testables, et non des médicaments achevés. Avec les Cheminformatics Skills d'Antigravity, un scientifique en découverte de médicaments peut générer plus rapidement des hypothèses de conception mieux étayées, mais chaque conception proposée doit être synthétisée et validée expérimentalement.

L'entreprise souligne que la vitesse à laquelle les chercheurs peuvent prendre des décisions scientifiques significatives s'accélère. Il y a peu encore, le flux de travail démontré dans cet article aurait pris plusieurs jours et exigé une expertise computationnelle importante. Utiliser Antigravity comme atelier scientifique permet aux chimistes computationnels et expérimentaux d'accélérer leurs flux de travail et de se concentrer sur les questions qui comptent vraiment.

Disponibilité et accès gratuit pour 10 000 scientifiques

Les compétences de chimoinformatique sont disponibles sur Google Antigravity dès l'annonce. Les scientifiques peuvent télécharger l'application Antigravity et installer le plugin Science pour commencer à les utiliser, et explorer des cas d'usage scientifiques documentés. Les utilisateurs Enterprise peuvent démarrer avec la chimoinformatique sur Antigravity en choisissant « Use Business Account » et en se connectant à l'application avec leurs identifiants Google Cloud.

Pour accélérer davantage le rythme de la recherche, Google offre à 10 000 scientifiques le niveau d'utilisation le plus élevé de Google Antigravity gratuitement pendant 6 mois, avec un intégration progressive, sous réserve d'éligibilité, de capacité et de sélection. Les candidatures sont ouvertes.

Remerciements

DeepMind a remercié les contributions des membres suivants de l'équipe : 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 et Pushmeet Kohli.

L'entreprise a également orienté les lecteurs vers d'autres articles de son blog, dont « Accelerating the search for antimicrobial peptides with Google Antigravity » et « Conversing with antiquity ».

Source : Google DeepMind Blog — « Agentic Cheminformatics with Google Antigravity »