Google DeepMind ha presentato una suite di Cheminformatics Skills per Google Antigravity, posizionando la piattaforma agentica come un workbench scientifico collaborativo per la chimica. Secondo l'azienda, i flussi di lavoro che tipicamente richiedono diversi giorni per una singola iterazione di drug discovery — curazione di dati complessi da grafici, figure e letteratura, addestramento di modelli predittivi e proposta di molecole candidate alla sintesi — possono ora essere completati in circa un'ora.

In un post sul blog pubblicato il 3 novembre 2026, i ricercatori Zoi Tsangalidou, Ruijie (Kelly) Zhang, Sukhdeep Singh e Michael V. LeVine hanno descritto il sistema utilizzando trattamenti reali contro il cancro ai polmoni come dimostrazione: un agente dotato delle nuove skill ha cercato tra migliaia di composti, eseguito l'analisi di coppie molecolari omologhe (matched molecular pair analysis) e proposto nuovi macrocicli rigidificati completi di vie di sintesi in appena un'ora.

Perché i dati cheminformatici restano difficili da gestire

La chimica è uno dei più ricchi archivi pubblici della scienza, con milioni di strutture distribuite tra articoli scientifici e cataloghi di fornitori. Fornisce una rappresentazione comune che collega la fisica e la matematica alle scienze della vita e ambientali, e le molecole e le loro trasformazioni sono onnipresenti, plasmando il mondo quotidiano.

Nonostante decenni di progressi nella cheminformatica, i chimici trascorrono ancora troppo tempo a gestire i dati. Il processo è complicato dal fatto che le molecole possono essere rappresentate in molti modi, da descrizioni testuali a immagini o strutture dati: lo stesso composto può apparire come un nome IUPAC in un articolo, una struttura Markush in un brevetto o un file structure-data (SDF) in un catalogo. I sistemi cheminformatici avanzati devono poter unificare queste fonti e gestire i molti modi in cui possono insorgere errori.

Secondo il team, questo compito non ammette margini di errore — modificare un singolo atomo o legame significa descrivere un composto completamente diverso, rendendo inerte un inibitore o un catalizzatore promettente.

Una divisione del lavoro tra modelli linguistici e strumenti deterministici

Per permettere agli scienziati di concentrarsi sulle ipotesi anziché sulla gestione dei dati, DeepMind ha costruito le Cheminformatics Skills per trasformare la superficie di Antigravity in un workbench scientifico collaborativo con pieno accesso agli strumenti locali sia per i chimici computazionali sia per i chimici sperimentali da banco.

Le skill creano inoltre una divisione del lavoro in cui il modello linguistico sottostante gestisce l'orchestrazione dei flussi di lavoro, la navigazione dei database e il ragionamento scientifico, mentre strumenti chimici deterministici eseguono i calcoli molecolari. Il sistema si fonda su RDKit, il toolkit open source fondamentale per la cheminformatica sviluppato nell'arco di due decenni da una comunità globale di contributori, insieme a connettori verso risorse curate da ChEMBL e PubChem. Insieme, questi componenti codificano le migliori pratiche del dominio direttamente nel flusso di lavoro dell'agente.

Rigidificare una molecola flessibile

La dimostrazione tecnica evidenzia una tecnica classica della chimica medicinale per migliorare la potenza dei farmaci: la rigidificazione.

Le molecole farmacologiche possono essere complesse, spesso collegando più substrutture attraverso legami rotabili. Quei legami permettono alla molecola di assumere molte forme tridimensionali, o conformazioni, rendendola "flessibile" in soluzione. Per legarsi al suo target, tuttavia, una molecola flessibile deve bloccarsi in un'unica forma attiva. La perdita di quella libertà di movimento comporta una penalità entropica, che indebolisce l'affinità di legame e riduce la potenza.

Per risolvere questo problema, i chimici medicinali spesso rigidificano le molecole aggiungendo nuovi legami. Due substrutture collegate da un singolo legame rotabile possono assumere molte conformazioni, ma aggiungere un secondo legame per legarle insieme limita nettamente il loro movimento nello spazio tridimensionale. Posizionando quel legame nel punto giusto, i chimici possono bloccare la molecola nella forma esatta necessaria per legare il suo target. Questa strategia, spesso definita "pagare in anticipo il costo entropico", può aumentare drasticamente la potenza.

La dimostrazione si concentra su un caso famoso di rigidificazione riuscita. Il crizotinib è un inibitore della tirosina chinasi (TKI) di prima generazione a piccola molecola usato per trattare alcune forme di carcinoma polmonare non a piccole cellule; contiene cinque principali legami rotabili. Il lorlatinib è un TKI di terza generazione a piccola molecola simile al crizotinib, ma è stato ciclizzato all'estremità per ridurre a zero il numero effettivo di legami rotabili, con conseguente maggiore potenza tra gli altri effetti.

L'intelligenza collaborativa in azione

Il team di DeepMind ha chiesto all'agente di cercare nella letteratura questi farmaci e i loro analoghi. Con le Cheminformatics Skills in Antigravity, l'agente ha estratto le molecole dai documenti, le ha associate ai dati riportati e ha preparato i composti per le analisi a valle.

In pochi minuti, l'agente ha recuperato migliaia di composti, filtrato le molecole irrilevanti come tampone e solventi, e documentato le loro fonti in un report. Il report forniva anche un'analisi iniziale del set di composti recuperati, evidenziando, ad esempio, che i macrocicli sono in gran parte previsti come in grado di penetrare nel cervello — una proprietà importante considerato che il cancro polmonare target metastatizza frequentemente al cervello.

Per un'esplorazione più approfondita, l'agente avvia un visualizzatore interattivo che mostra i composti curati, i loro dati associati e grafici a dispersione personalizzabili. Rappresentando la potenza in funzione dei legami rotabili, colorati per stato di macrociclo, si vede subito che i macrocicli come il lorlatinib tendono ad avere meno legami rotabili e maggiore potenza.

DeepMind ha dichiarato di aver progettato le skill non solo per ampliare le capacità chimiche dell'agente, ma anche per rendere la collaborazione utente-agente senza soluzione di continuità. Nel visualizzatore interattivo, gli scienziati possono sfogliare ogni composto recuperato dalla letteratura, cliccare sulle singole molecole per esaminarne i metadati e tracciare relazioni nell'intero dataset. Ad esempio, rappresentando la potenza cellulare in funzione dei legami rotabili, colorati per stato di macrociclo, si vede chiaramente che i composti più potenti sono i più rigidificati.

Analisi di coppie molecolari omologhe e modellazione predittiva

Dopo aver scaricato e curato tutti i dati, l'agente esegue analisi più avanzate a supporto del lavoro del chimico computazionale. Come passo successivo, il team ha eseguito l'analisi di coppie molecolari omologhe (MMPA), una tecnica usata in chimica medicinale per isolare gli effetti di piccole modifiche discrete a una molecola, confrontando coppie di molecole che differiscono solo per quella modifica. In modo significativo, l'agente aveva suggerito autonomamente questa analisi, poiché il dataset era previsto contenere molte coppie informative. Il team ha inoltre chiesto all'agente di costruire modelli predittivi utilizzando le sue capacità di machine learning molecolare.

La MMPA ha confrontato molte coppie di molecole che differiscono per la presenza o meno della ciclizzazione. I risultati mostrano che la ciclizzazione riduce il numero di legami rotabili aumentando in generale la potenza, come previsto.

L'agente ha inoltre costruito un gran numero di modelli di potenza utilizzando diversi set di caratteristiche e architetture di modelli, validandoli su un set di controllo. Le skill forniscono all'agente indicazioni su come costruire al meglio i modelli di machine learning molecolare — ad esempio, l'agente spesso usa suddivisioni cronologiche, addestrandosi su composti più vecchi per prevedere quelli più recenti, quando queste informazioni sono disponibili, ma può ricorrere a suddivisioni per scaffold per stimare meglio la generalizzabilità.

Nella dimostrazione, l'agente ha confrontato più architetture di machine learning con diversi set di caratteristiche su quattro differenti letture sperimentali, usando una suddivisione per scaffold per valutare meglio le prestazioni fuori distribuzione. Una combinazione di output statistici e visivi permette allo scienziato di valutare le prestazioni dei modelli e poi iterare con l'agente.

Dall'analisi alla pianificazione della sintesi

Infine, il team ha chiesto all'agente di progettare nuovi macrocicli migliorati sulla base di quanto appreso, e l'agente ha raccomandato più reazioni e vie di sintesi coinvolgenti diversi composti. L'agente può preparare questi composti per ulteriori analisi con AlphaFold o tecniche basate sulla fisica come le simulazioni di dinamica molecolare.

L'agente è in grado di ragionare sulla chimica mentre propone nuovi piani di sintesi. In un esempio, ha proposto una reazione di ciclizzazione, fornendo allo scienziato diagrammi di spostamento elettronico per illustrare il meccanismo.

Una volta completata l'analisi, i risultati possono essere esportati in vari formati, pronti per essere caricati in molti pacchetti software di chimica standard del settore.

Conoscere i limiti

DeepMind è stata anche esplicita su ciò che questi strumenti non possono fare. I dati sparsi, il rumore dei test tra laboratori e gli intervalli dinamici ristretti limitano la precisione predittiva anche dei modelli più potenti; i progetti computazionali sono ipotesi verificabili, non farmaci finiti. Con le Cheminformatics Skills in Antigravity, uno scienziato della drug discovery può generare più rapidamente ipotesi di progettazione meglio supportate, ma ogni progetto proposto deve essere sintetizzato e validato sperimentalmente.

L'azienda ha sostenuto che la velocità con cui i ricercatori possono prendere decisioni scientifiche significative sta accelerando. Non molto tempo fa, il flusso di lavoro dimostrato nel post avrebbe richiesto diversi giorni e competenze computazionali significative. Usare Antigravity come workbench scientifico permette sia ai chimici computazionali sia a quelli sperimentali di accelerare i loro flussi di lavoro e concentrarsi sulle domande che contano davvero.

Disponibilità e accesso gratuito per 10.000 scienziati

Le skill cheminformatiche sono disponibili su Google Antigravity a partire dall'annuncio. Gli scienziati possono scaricare l'app Antigravity e installare il plugin Science per iniziare a usarle, ed esplorare i casi d'uso Science documentati. Gli utenti Enterprise possono iniziare con la cheminformatica su Antigravity scegliendo "Use Business Account" e accedendo all'app con le proprie credenziali Google Cloud.

Per accelerare ulteriormente il ritmo della ricerca, Google offre a 10.000 scienziati il livello di utilizzo più alto di Google Antigravity gratuitamente per 6 mesi, con onboarding a flusso continuo e soggetto a requisiti di ammissibilità, capacità e selezione. Le candidature sono già aperte.

Riconoscimenti

DeepMind ha riconosciuto i contributi dei seguenti membri del team: 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 e Pushmeet Kohli.

L'azienda ha inoltre segnalato ai lettori altri post correlati sul suo blog, tra cui "Accelerating the search for antimicrobial peptides with Google Antigravity" e "Conversing with antiquity".

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