Google DeepMind heeft een suite van Cheminformatics Skills voor Google Antigravity onthuld en positioneert het agent-gedreven platform als een collaboratieve science workbench voor chemie. Volgens het bedrijf kunnen workflows die doorgaans meerdere dagen duren voor één geneesmiddelenontwikkelingsiteratie — het cureren van complexe data uit grafieken, figuren en literatuur, het trainen van voorspellende modellen en het voorstellen van kandidaat-moleculen om te synthetiseren — nu in ongeveer een uur worden voltooid.

In een blogpost gepubliceerd op 3 november 2026 beschreven onderzoekers Zoi Tsangalidou, Ruijie (Kelly) Zhang, Sukhdeep Singh en Michael V. LeVine het systeem aan de hand van realistische longkankerbehandelingen als demonstratie: een agent die was uitgerust met de nieuwe skills doorzocht duizenden verbindingen, voerde matched molecular pair-analyse uit en stelde in slechts één uur nieuwe verstarde macrocycli voor, compleet met syntheseroutes.

Waarom Cheminformatische Data Moeilijk Te Beheren Blijft

Chemie is een van de rijkste openbare registraties van de wetenschap en omvat miljoenen structuren in tijdschriftartikelen en leverancierscatalogi. Het biedt een gemeenschappelijke representatie die natuur- en wiskunde verbindt met de levens- en milieuwetenschappen, en moleculen en hun transformaties zijn alomtegenwoordig en bepalen de alledaagse wereld.

Ondanks decennia van vooruitgang in de cheminformatica brengen chemici nog steeds te veel tijd door met het beheren van data. Het proces wordt ingewikkeld doordat moleculen op vele manieren kunnen worden weergegeven, van tekstbeschrijvingen tot afbeeldingen of datastructuren: dezelfde verbinding kan voorkomen als een IUPAC-naam in een artikel, een Markush-structuur in een octrooi of een structure-data file (SDF) in een catalogus. Geavanceerde cheminformatische systemen moeten deze bronnen kunnen verenigen en de vele manieren kunnen afhandelen waarop fouten daarin kunnen ontstaan.

Volgens het team laat deze taak geen ruimte voor fouten — verander één atoom of binding en je hebt een geheel andere verbinding beschreven, waardoor een veelbelovende remmer of katalysator inert wordt.

Een Arbeidsverdeling Tussen Taalmodellen en Deterministische Tools

Om wetenschappers zich op hypothesen te laten richten in plaats van op databeheer, bouwde DeepMind de Cheminformatics Skills om het oppervlak van Antigravity om te vormen tot een collaboratieve science workbench met volledige toegang tot lokale tooling voor zowel computationeel chemici als experimentele bench-chemici.

De skills creëren ook een arbeidsverdeling waarbij het onderliggende taalmodel workfloworkestratie, databankenavigatie en wetenschappelijk redeneren afhandelt, terwijl deterministische chemietools moleculaire berekeningen uitvoeren. Het systeem is gebaseerd op RDKit, de fundamentele open source cheminformatische toolkit die over twee decennia is ontwikkeld door een wereldwijde gemeenschap van bijdragers, naast connectoren naar gecureerde bronnen van ChEMBL en PubChem. Samen coderen deze componenten domeinbest practices rechtstreeks in de workflow van de agent.

Het Verstarren van een Slap Molecuul

De technische walkthrough belicht een klassieke farmacochemische techniek om de werkzaamheid van geneesmiddelen te verbeteren: verstarring (rigidificatie).

Geneesmiddelmoleculen kunnen complex zijn en vaak meerdere substructuren verbinden via roteerbare bindingen. Die bindingen laten het molecuul in veel driedimensionale vormen, of conformeren, draaien, waardoor het in oplossing 'slap' is. Om aan zijn target te binden, moet een slap molecuul echter vergrendelen in één actieve vorm. Het verlies van die bewegingsvrijheid brengt een entropische straf met zich mee, die de bindingsaffiniteit verzwakt en de werkzaamheid verlaagt.

Om dit probleem op te lossen, verstarren farmacochemici moleculen vaak door nieuwe bindingen toe te voegen. Twee substructuren die door één roteerbare binding zijn verbonden, kunnen in veel conformeren draaien, maar het toevoegen van een tweede binding om ze aan elkaar te binden beperkt hun beweging in de driedimensionale ruimte sterk. Door die binding op de juiste plek te plaatsen, kunnen chemici het molecuul vergrendelen in de exacte vorm die nodig is om aan zijn target te binden. Deze strategie, vaak 'het vooraf betalen van de entropische kosten' genoemd, kan de werkzaamheid aanzienlijk verhogen.

De walkthrough richt zich op een bekend geval van succesvolle verstarring. Crizotinib is een eerstegeneratie, klein-molecuul tyrosinekinaseremmer (TKI) die wordt gebruikt om bepaalde vormen van niet-kleincellige longkanker te behandelen; het bevat vijf grote roteerbare bindingen. Lorlatinib is een derdegeneratie, klein-molecuul TKI dat op crizotinib lijkt maar aan het uiteinde is gecycliseerd om het effectieve aantal roteerbare bindingen tot nul te verminderen, wat onder andere leidt tot een hogere werkzaamheid.

Collaboratieve Intelligentie in Actie

Het DeepMind-team verzocht de agent om de literatuur te doorzoeken op deze geneesmiddelen en hun analogen. Met de Cheminformatics Skills in Antigravity extraheerde de agent moleculen uit de documenten, koppelde ze aan de gerapporteerde gegevens en bereidde de verbindingen voor op verdere analyse.

Binnen enkele minuten haalde de agent duizenden verbindingen op, filterde irrelevante moleculen zoals buffers en oplosmiddelen eruit en documenteerde hun bronnen in een rapport. Het rapport bood ook een eerste analyse van de opgehaalde reeks verbindingen en benadrukte bijvoorbeeld dat de macrocycli grotendeels worden voorspeld hersendoordringend te zijn — een belangrijke eigenschaft gezien de doel-longkanker vaak metastaseert naar de hersenen.

Voor diepere verkenning start de agent een interactieve viewer met de gecureerde verbindingen, de bijbehorende gegevens en aanpasbare spreidingsdiagrammen. Het uitzetten van werkzaamheid tegenover roteerbare bindingen, gekleurd op macrocycstatus, toont onmiddellijk dat macrocycli zoals lorlatinib doorgaans minder roteerbare bindingen en een hogere werkzaamheid hebben.

DeepMind zei dat het de skills heeft ontworpen om niet alleen de chemische capaciteiten van de agent uit te breiden, maar ook de samenwerking tussen gebruiker en agent naadloos te maken. In de interactieve viewer kunnen wetenschappers elke uit de literatuur opgehaalde verbinding bekijken, op afzonderlijke moleculen klikken om hun metadata te inspecteren en relaties in de dataset uitzetten. Zo toont het uitzetten van cellulaire werkzaamheid tegenover roteerbare bindingen, gekleurd op macrocycstatus, duidelijk dat de verbindingen met de hoogste werkzaamheid het meest rigide zijn.

Matched Molecular Pair-Analyse en Voorspellende Modellen

Na het downloaden en cureren van alle gegevens voert de agent geavanceerdere analyses uit ter ondersteuning van het werk van een computationeel chemicus. Als volgende stap voerde het team een matched molecular pair-analyse (MMPA) uit, een techniek in de farmacochemie om de effecten van kleine, discrete veranderingen aan een molecuul te isoleren door paren van moleculen te vergelijken die alleen door die verandering verschillen. Opmerkelijk genoeg had de agent deze analyse onafhankelijk gesuggereerd, aangezien werd verwacht dat de dataset vele informatieve paren zou bevatten. Het team verzocht de agent ook om voorspellende modellen te bouwen met zijn moleculaire machine learning-capaciteiten.

De MMPA vergeleek vele paren moleculen die verschillen in de vraag of ze zijn gecycliseerd. De resultaten tonen aan dat cyclisatie het aantal roteerbare bindingen vermindert terwijl het de werkzaamheid over het algemeen verhoogt, zoals verwacht.

De agent bouwde ook een groot aantal werkzaamheidsmodellen met uiteenlopende featuresets en modelarchitecturen en valideerde deze op een aparte testset. De skills bieden de agent richtlijnen over hoe moleculaire machine learning-modellen het beste kunnen worden gebouwd — zo gebruikt de agent vaak chronologische splitsingen, waarbij hij op oudere verbindingen traint om nieuwere te voorspellen, wanneer deze informatie beschikbaar is, maar kan hij terugvallen op scaffold-splitsingen om de generaliseerbaarheid beter in te schatten.

In de demonstratie benchmarkte de agent meerdere machine learning-architecturen met verschillende featuresets over vier verschillende experimentele metingen, met een scaffold-splitsing om de out-of-distribution-prestaties beter te peilen. Een combinatie van statistische en visuele outputs stelt de wetenschapper in staat de modelprestaties te beoordelen en vervolgens met de agent te itereren.

Van Analyse Naar Syntheseplanning

Tot slot verzocht het team de agent om nieuwe, verbeterde macrocycli te ontwerpen op basis van wat hij had geleerd, en de agent beval meerdere reacties en syntheseroutes aan met verschillende verbindingen. De agent kan deze verbindingen voorbereiden voor verdere analyse met AlphaFold of op fysisch gebaseerde technieken zoals moleculaire dynamica-simulatie.

De agent kan over chemie redeneren bij het voorstellen van nieuwe syntheseprognoses. In één voorbeeld stelde hij een cyclisatiereactie voor en voorzag hij de wetenschapper van electron-pushing-diagrammen om het mechanisme te tonen.

Zodra de analyse is voltooid, kunnen de resultaten in verschillende formaten worden geëxporteerd, klaar om te worden geladen in veel gangbare chemiesoftwarepakketten.

De Grenzen Kennen

DeepMind was ook expliciet over wat deze tools niet kunnen. Scharse data, ruis tussen laboratoria in assays en smalle dynamische bereiken beperken de voorspellende precisie van zelfs de krachtigste modellen; computationele ontwerpen zijn testbare hypothesen, geen voltooide geneesmiddelen. Met de Cheminformatics Skills in Antigravity kan een geneesmiddelenonderzoeker sneller beter onderbouwde ontwerphypothesen genereren, maar elk voorgesteld ontwerp moet synthetisch worden vervaardigd en experimenteel worden gevalideerd.

Het bedrijf stelde dat de snelheid waarmee onderzoekers betekenisvolle wetenschappelijke beslissingen kunnen nemen toeneemt. Niet lang geleden zou de workflow die in de post wordt gedemonstreerd meerdere dagen in beslag nemen en aanzienlijke computationele expertise vereisen. Het gebruik van Antigravity als science workbench stelt zowel computationele als experimentele chemici in staat hun workflows te versnellen en zich te richten op de vragen die er echt toe doen.

Beschikbaarheid en Gratis Toegang voor 10.000 Wetenschappers

De cheminformatica-skills zijn sinds de aankondiging beschikbaar op Google Antigravity. Wetenschappers kunnen de Antigravity App downloaden en de Science-plugin installeren om de skills te gebruiken, en de gedocumenteerde Science use cases verkennen. Enterprise-gebruikers kunnen met cheminformatica op Antigravity aan de slag door 'Use Business Account' te kiezen en in te loggen met hun Google Cloud-inloggegevens.

Om het onderzoekstempo verder te verhogen, biedt Google 10.000 wetenschappers het hoogste gebruiksniveau van Google Antigravity gratis aan voor 6 maanden, met onboarding op doorlopende basis en onder voorbehoud van geschiktheid, capaciteit en selectie. Inschrijvingen zijn nu geopend.

Dankwoord

DeepMind erkende de bijdragen van de volgende teamleden: 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 en Pushmeet Kohli.

Het bedrijf verwees lezers ook naar gerelateerde berichten op zijn blog, waaronder "Accelerating the search for antimicrobial peptides with Google Antigravity" en "Conversing with antiquity".

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