Google DeepMindは、エージェント型プラットフォーム「Google Antigravity」向けに「Cheminformatics Skills」のスイートを発表し、同プラットフォームを化学分野の協調型サイエンス・ワークベンチとして位置づけた。同社によると、図表・図・文献から複雑なデータを整理し、予測モデルを学習し、合成候補分子を提案するといった、1回の創薬イテレーションに通常数日を要するワークフローが、約1時間で完了できるようになるという。

2026年11月3日に公開されたブログ投稿で、研究者のZoi Tsangalidou、Ruijie (Kelly) Zhang、Sukhdeep Singh、Michael V. LeVineの各氏は、実際の肺がん治療薬を用いたデモを通じて本システムを紹介した。新しいスキルを備えたエージェントは、数千の化合物を検索し、マッチド分子ペア解析を実行し、わずか1時間で合成経路を含む新規の剛体化マクロライドを提案した。

ケモインフォマティクスデータが扱いにくい理由

化学は、学術論文やベンダーカタログにまたがる数百万の構造を含む、科学における最も豊富な公開記録の一つである。化学は物理学や数学と生命科学・環境科学を結ぶ共通の表現形式を提供しており、分子とその変換はあらゆる場所に存在し、日常の世界を形づくっている。

ケモインフォマティクスの数十年にわたる進歩にもかかわらず、化学者は依然としてデータ整理に多くの時間を費やしている。このプロセスを複雑にしているのが、分子が多様な方法で表現されうるという事実である。テキスト記述から画像やデータ構造まで、同じ化合物が論文ではIUPAC名、特許ではMarkush構造、カタログでは構造データファイル（SDF）として現れることがある。先進的なケモインフォマティクスシステムは、これらの情報源を統一し、そこで生じうる多様な誤りに対処できなければならない。

研究チームによると、この作業には誤りの余地がないという。1つの原子や結合を変えれば、それは完全に別の化合物を記述したことになり、有望な阻害剤や触媒が不活性なものになってしまう。

言語モデルと決定論的ツールの分業

科学者がデータ整理ではなく仮説に集中できるように、DeepMindはCheminformatics Skillsを構築し、Antigravityのインターフェースを、計算化学者と実験系のベンチ化学者の双方がローカルツールに完全にアクセスできる協調型サイエンス・ワークベンチへと変えた。

このスキルはまた分業を実現している。基盤となる言語モデルがワークフローのオーケストレーション、データベースのナビゲーション、科学的推論を担当し、決定論的な化学ツールが分子計算を実行する仕組みだ。システムは、世界中のコントリビューターのコミュニティによって20年以上にわたり開発されてきた基盤的なオープンソースのケモインフォマティクスツールキットであるRDKitを基盤とし、ChEMBLおよびPubChemのキュレーション済みリソースへのコネクタとともに、ドメインのベストプラクティスをエージェントのワークフローに直接組み込んでいる。

柔軟な分子の剛体化

技術ウォークスルーでは、薬効を高める古典的な創薬化学技法である「剛体化」が取り上げられている。

薬物分子は複雑な場合があり、複数の部分構造を回転可能な結合でつなぐことが多い。これらの結合により分子は多くの3次元形状（コンホメーション）にねじれることができ、溶液中で「柔軟（floppy）」な状態になる。しかし標的に結合するためには、柔軟な分子は単一の活性形状に固定されなければならない。この運動の自由を失うことでエントロピー的なペナルティが生じ、結合親和性が弱まり、效力が低下する。

この問題を解決するため、創薬化学者はしばしば新しい結合を追加して分子を剛体化する。単一の回転可能な結合でつながれた2つの部分構造は多くのコンホメーションにねじれることができるが、2つ目の結合を追加して両者を結びつけると、3次元空間での動きが大きく制限される。その結合を適切な位置に置くことで、化学者は分子を標的に結合するために必要な形状そのものに固定できる。この戦略は「エントロピーコストの前払い」と呼ばれることが多く、效力を劇的に高めることができる。

ウォークスルーでは、剛体化の成功例としてよく知られたケースに焦点が当てられている。クリゾチニブは、特定のタイプの非小細胞肺がんの治療に用いられる第一世代の低分子チロシンキナーゼ阻害剤（TKI）で、5つの主要な回転可能な結合を持つ。ロルラチニブはクリゾチニブに類似した第三世代の低分子TKIだが、末端が環化されており、実効的な回転可能結合の数がゼロに減少しており、その結果として效力が高まっている。

実践される協調インテリジェンス

DeepMindチームは、これらの薬剤とそのアナログについて文献を検索するようエージェントに依頼した。AntigravityのCheminformatics Skillsにより、エージェントは文書から分子を抽出し、報告されたデータと関連付け、化合物を下流の解析に備えて準備した。

エージェントは数分以内に数千の化合物を取得し、バッファや溶媒などの無関係な分子を除外し、それらの出所をレポートに記録した。レポートは取得した化合物セットの初期分析も提供しており、例えばマクロライドの多くが脳移行性を持つと予測されていることを強調している。標的となる肺がんが頻繁に脳へ転移することを考えると、これは重要な特性である。

より深い探索のために、エージェントはキュレーションされた化合物、その関連データ、カスタマイズ可能な散布図を表示するインタラクティブビューアを起動する。マクロライドの状態で色分けしながら效力と回転可能結合数をプロットすると、ロルラチニブのようなマクロライドは回転可能結合が少なく、效力が高い傾向が即座に明らかになる。

DeepMindは、このスキルをエージェントの化学能力を拡張するだけでなく、ユーザーとエージェントの協業をシームレスにするために設計したと述べている。インタラクティブビューアで、科学者は文献から取得したすべての化合物を閲覧し、個々の分子をクリックしてメタデータを調べ、データセット全体の関係をプロットできる。例えば、マクロライドの状態で色分けしながら細胞レベルの效力と回転可能結合数をプロットすると、最も效力の高い化合物が最も剛直であることが明確に示される。

マッチド分子ペア解析と予測モデリング

すべてのデータをダウンロードしてキュレーションした後、エージェントは計算化学者の仕事を支援するより高度な解析を実行する。次のステップとして、チームはマッチド分子ペア解析（MMPA）を実施した。これは、その変化のみが異なる分子ペアを比較することで、分子への小さく個別の変化の影響を分離する創薬化学の手法である。注目すべきは、エージェント自身がこの解析を独立に提案していたことで、データセットには多くの有益なペアが含まれると期待されていた。チームはまた、エージェントの分子機械学習機能を用いて予測モデルの構築も依頼した。

MMPAは、環化されているかどうかが異なる多くの分子ペアを比較した。解析結果は、環化が回転可能結合の数を減らしつつ、予想通り一般に效力を高めることを示した。

エージェントはまた、さまざまな特徴量セットとモデルアーキテクチャを用いて多数の效力モデルを構築し、ホールドアウトセットで検証した。このスキルは、分子機械学習モデルを最適に構築する方法についてエージェントにガイダンスを提供する。例えば、その情報が利用可能な場合は古い化合物で学習して新しい化合物を予測する時系列分割を用いることが多く、汎化性能をより適切に推定するためにスキャフォールド分割にフォールバックすることもできる。

デモでは、エージェントは異なる特徴量セットを持つ複数の機械学習アーキテクチャを4つの異なる実験リードアウトにわたってベンチマークし、分布外の性能をより適切に測るためにスキャフォールド分割を使用した。統計的出力と視覚的出力の組み合わせにより、科学者はモデル性能を評価し、エージェントとともに反復改善を行うことができる。

解析から合成計画へ

最後に、チームはエージェントに学習結果に基づく新規の改良マクロライドの設計を依頼し、エージェントはさまざまな化合物を含む複数の反応と合成経路を推奨した。エージェントはこれらの化合物を、AlphaFoldや分子動力学シミュレーションなどの物理ベースの手法によるさらなる解析に備えて準備できる。

エージェントは新しい合成計画を提案する際に化学について推論を行うことができる。一例として、環化反応を提案し、その機構を示すために電子押出し図を科学者に提供した。

解析が完了すると、結果はさまざまな形式でエクスポートでき、多くの業界標準の化学ソフトウェアパッケージに読み込むことができる。

ツールの限界を知る

DeepMindは、これらのツールにできないことも明確にしている。スパースなデータ、実験室間のアッセイノイズ、狭いダイナミックレンジは、最も強力なモデルであっても予測精度を制限する。計算による設計は検証可能な仮説であって、完成した薬ではない。AntigravityのCheminformatics Skillsにより創薬科学者はより強く裏付けられた設計仮説をより速く生成できるが、提案されたすべての設計は合成され、実験的に検証されなければならない。

同社は、研究者が意味のある科学的決定を下せるスピードが加速していると述べている。少し前まで、この投稿で実証されたワークフローは数日を要し、高度な計算の専門知識を必要としていた。Antigravityをサイエンス・ワークベンチとして使用することで、計算化学者と実験系化学者の双方がワークフローを加速し、本当に重要な問いに集中できるようになる。

1万人の科学者への無料アクセスと提供状況

ケモインフォマティクススキルは発表時点でGoogle Antigravity上で利用可能である。科学者はAntigravity AppをダウンロードしてScienceプラグインをインストールすることでスキルの利用を開始でき、ドキュメント化されたScienceユースケースを探索できる。エンタープライズユーザーは「Use Business Account」を選択し、Google Cloudの認証情報でアプリにログインすることで、Antigravity上でケモインフォマティクスを開始できる。

研究のペースをさらに加速させるため、Googleは1万人の科学者に6ヶ月間、Google Antigravityの最高利用tierを無償で提供している（ローリングベースでオンボーディング）。適格性、キャパシティ、選考の対象となる。応募は現在受付中である。

謝辞

DeepMindは、以下のチームメンバーの貢献を謝意を込めて紹介している：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、Pushmeet Kohli。

同社はまた、ブログの関連記事として、「Accelerating the search for antimicrobial peptides with Google Antigravity」や「Conversing with antiquity」を読者に案内している。

出典：Google DeepMind Blog — 「Agentic Cheminformatics with Google Antigravity」