Google DeepMind zaprezentowało zestaw Cheminformatics Skills dla Google Antigravity, pozycjonując platformę opartą na agentach jako współpracującą ławę naukową dla chemii. Zdaniem firmy, przepływy pracy, które zazwyczaj zajmują wiele dni w pojedynczej iteracji odkrywania leków — katalogowanie złożonych danych z wykresów, rysunków i literatury, trenowanie modeli predykcyjnych i proponowanie kandydujących cząsteczek do syntezy — mogą teraz zostać zakończone w około godzinę.

W poście na blogu opublikowanym 3 listopada 2026 r. badacze Zoi Tsangalidou, Ruijie (Kelly) Zhang, Sukhdeep Singh i Michael V. LeVine opisali system, używając rzeczywistych terapii raka płuca jako demonstracji: agent wyposażony w nowe umiejętności przeszukał tysiące związków, przeprowadził analizę par molekularnych (MMPA) i zaproponował w zaledwie godzinę nowe usztywnione makrocykle wraz ze ścieżkami syntezy.

Dlaczego Dane Cheminformatyczne Pozostają Trudne w Obsłudze

Chemia jest jednym z najbogatszych publicznych zapisów nauki, obejmującym miliony struktur w artykułach naukowych i katalogach dostawców. Zapewnia wspólne przedstawienie, które łączy fizykę i matematykę z naukami o życiu i środowiskiem, a cząsteczki i ich przemiany są wszechobecne, kształtując codzienny świat.

Pomimo dziesięcioleci postępu w chemoinformatyce, chemicy nadal spędzają zbyt dużo czasu na przetwarzaniu danych. Proces jest komplikowany przez fakt, że cząsteczki mogą być reprezentowane na wiele sposobów, od opisów tekstowych po obrazy lub struktury danych: ten sam związek może występować jako nazwa IUPAC w artykule, struktura Markusha w patencie lub plik danych strukturalnych (SDF) w katalogu. Zaawansowane systemy chemoinformatyczne muszą być w stanie ujednolicić te źródła i radzić sobie z wieloma sposobami, w jaki mogą w nich powstawać błędy.

Zdaniem zespołu, to zadanie nie ma marginesu błędu — zmiana pojedynczego atomu lub wiązania oznacza opisanie zupełnie innego związku, co sprawia, że obiecujący inhibitor lub katalizator staje się nieaktywny.

Podział Pracy Między Modele Językowe a Deterministyczne Narzędzia

Aby umożliwić naukowcom skupienie się na hipotezach zamiast na przetwarzaniu danych, DeepMind zbudowało Cheminformatics Skills, aby przekształcić interfejs Antigravity we współpracującą ławę naukową z pełnym dostępem do lokalnych narzędzi zarówno dla chemików obliczeniowych, jak i doświadczalnych chemików laboratoryjnych.

Umiejętności tworzą również podział pracy, w którym leżący u podstaw model językowy zajmuje się orkiestracją przepływu pracy, nawigacją w bazach danych i rozumowaniem naukowym, podczas gdy deterministyczne narzędzia chemiczne wykonują obliczenia molekularne. System opiera się na RDKit, fundamentalnym otwartym narzędziu chemoinformatycznym rozwijanym przez dwie dekady przez globalną społeczność współtwórców, wraz z konektorami do kuratorowanych zasobów z ChEMBL i PubChem. Razem te komponenty kodują najlepsze praktyki dziedzinowe bezpośrednio do przepływu pracy agenta.

Usztywnianie Elastycznej Cząsteczki

Przewodnik techniczny podkreśla klasyczną technikę chemii medycznej poprawy aktywności leku: usztywnianie (rigidification).

Cząsteczki leków mogą być złożone, często łącząc wiele podstruktur za pomocą rotowalnych wiązań. Te wiązania pozwalają cząsteczce skręcać się w wiele trójwymiarowych kształtów, czyli konformacji, czyniąc ją „elastyczną” w roztworze. Aby jednak związać swój cel, elastyczna cząsteczka musi zablokować się w jednym aktywnym kształcie. Utrata tej swobody ruchu niesie karę entropijną, która osłabia powinowactwo wiązania i obniża aktywność.

Aby rozwiązać ten problem, chemicy medyczni często usztywniają cząsteczki poprzez dodawanie nowych wiązań. Dwie podstruktury połączone pojedynczym rotowalnym wiązaniem mogą skręcać się w wiele konformacji, ale dodanie drugiego wiązania łączącego je ostro ogranicza, jak mogą poruszać się w przestrzeni trójwymiarowej. Umieszczając to wiązanie we właściwym miejscu, chemicy mogą zablokować cząsteczkę w dokładnie takim kształcie, jakiego potrzebuje, aby związać swój cel. Ta strategia, często nazywana „zapłaceniem kosztu entropijnego z góry”, może dramatycznie zwiększyć aktywność.

Przewodnik koncentruje się na dobrze znanym przypadku udanego usztywnienia. Kryzotynib to pierwszej generacji, małocząsteczkowy inhibitor kinazy tyrozynowej (TKI) stosowany w leczeniu niektórych postaci niedrobnokomórkowego raka płuca; zawiera pięć głównych rotowalnych wiązań. Lorlatynib to trzeciej generacji, małocząsteczkowy TKI przypominający kryzotynib, ale cyklizowany na końcu, co zmniejsza efektywną liczbę rotowalnych wiązań do zera, prowadząc między innymi do wyższej aktywności.

Inteligencja Współpracująca w Działaniu

Zespół DeepMind poprosił agenta o przeszukanie literatury pod kątem tych leków i ich analogów. Dzięki Cheminformatics Skills w Antigravity, agent wyodrębnił cząsteczki z dokumentów, powiązał je z zgłoszonymi danymi i przygotował związki do dalszej analizy.

W ciągu kilku minut agent pobrał tysiące związków, odfiltrował nieistotne cząsteczki, takie jak bufory i rozpuszczalniki, i udokumentował ich źródła w raporcie. Raport zawierał również wstępną analizę pobranego zestawu związków, podkreślając na przykład, że makrocykle są w przeważającej mierze przewidywane jako przenikające do mózgu — ważna właściwość, biorąc pod uwagę, że docelowy rak płuca często daje przerzuty do mózgu.

Do głębszej eksploracji agent uruchamia interaktywną przeglądarkę wyświetlającą kuratorowane związki, ich powiązane dane i konfigurowalne wykresy punktowe. Wykres aktywności względem rotowalnych wiązań, kolorowany według statusu makrocyklu, natychmiast ujawnia, że makrocykle takie jak lorlatynib mają tendencję do mniejszej liczby rotowalnych wiązań i wyższej aktywności.

DeepMind stwierdziło, że zaprojektowało te umiejętności nie tylko w celu rozszerzenia zdolności chemicznych agenta, ale także w celu zapewnienia płynnej współpracy między użytkownikiem a agentem. W interaktywnej przeglądarce naukowcy mogą przeglądać każdy związek pobrany z literatury, klikać poszczególne cząsteczki, aby sprawdzić ich metadane, i wykreślać relacje w całym zestawie danych. Na przykład wykres komórkowej aktywności względem rotowalnych wiązań, kolorowany według statusu makrocyklu, wyraźnie pokazuje, że związki o najwyższej aktywności są najbardziej sztywne.

Analiza Par Molekularnych i Modelowanie Predykcyjne

Po pobraniu i skuratorowaniu wszystkich danych agent przeprowadza bardziej zaawansowaną analizę wspierającą pracę chemika obliczeniowego. Jako kolejny krok zespół przeprowadził analizę par molekularnych (MMPA), technikę stosowaną w chemii medycznej w celu izolowania skutków małych, dyskretnych zmian w cząsteczce poprzez porównanie par cząsteczek różniących się tylko tą zmianą. Co godne uwagi, agent samodzielnie zasugerował tę analizę, ponieważ oczekiwano, że zestaw danych będzie zawierał wiele informacyjnych par. Zespół poprosił również agenta o zbudowanie modeli predykcyjnych przy użyciu jego zdolności uczenia maszynowego molekuł.

MMPA porównała wiele par cząsteczek różniących się tym, czy są cyklizowane. Wyniki analizy pokazują, że cyklizacja zmniejsza liczbę rotowalnych wiązań, jednocześnie ogólnie zwiększając aktywność, zgodnie z oczekiwaniami.

Agent zbudował również dużą liczbę modeli aktywności przy użyciu różnych zestawów cech i architektur modeli, i zwalidował je na zbiorze testowym. Umiejętności dostarczają agentowi wskazówek, jak najlepiej budować modele uczenia maszynowego molekuł — na przykład agent często stosuje podziały chronologiczne, trenując na starszych związkach w celu przewidywania nowszych, gdy te informacje są dostępne, ale może przejść do podziałów według szkieletu, aby lepiej oszacować generalizację.

W demonstracji agent przetestował wiele architektur uczenia maszynowego z różnymi zestawami cech w czterech różnych odczytach eksperymentalnych, stosując podział według szkieletu, aby lepiej ocenić wydajność poza rozkładem. Kombinacja wyników statystycznych i wizualnych pozwala naukowcowi ocenić wydajność modelu, a następnie iterować z agentem.

Od Analizy do Planowania Syntezy

Na koniec zespół poprosił agenta o zaprojektowanie nowych, ulepszonych makrocykli na podstawie jego wniosków, a agent zarekomendował wiele reakcji i ścieżek syntezy z udziałem różnych związków. Agent może przygotować te związki do dalszej analizy za pomocą AlphaFold lub technik opartych na fizyce, takich jak symulacja dynamiki molekularnej.

Agent jest w stanie rozumować o chemii podczas proponowania nowych planów syntezy. W jednym z przykładów zaproponował reakcję cyklizacji, dostarczając naukowcowi diagramy przesuwu elektronów w celu zilustrowania mechanizmu.

Po zakończeniu analizy wyniki można eksportować w różnych formatach, gotowych do załadowania do wielu branżowych pakietów oprogramowania chemicznego.

Znajomość Ograniczeń

DeepMind było również otwarte co do tego, czego te narzędzia nie potrafią. Rzadkie dane, szum testów między laboratoriami i wąskie zakresy dynamiczne ograniczają precyzję predykcyjną nawet najpotężniejszych modeli; obliczeniowe projekty są hipotezami do przetestowania, a nie gotowymi lekami. Dzięki Cheminformatics Skills w Antigravity, naukowiec zajmujący się odkrywaniem leków może szybciej generować lepiej uzasadnione hipotezy projektowe, ale każdy zaproponowany projekt musi zostać zsyntetyzowany i zwalidowany eksperymentalnie.

Firma argumentowała, że szybkość, z jaką badacze mogą podejmować istotne decyzje naukowe, rośnie. Nie tak dawno temu przepływ pracy zademonstrowany w poście zająłby wiele dni i wymagał znacznej wiedzy obliczeniowej. Używanie Antigravity jako ławy naukowej pozwala zarówno chemikom obliczeniowym, jak i doświadczalnym przyspieszyć swoje przepływy pracy i skupić się na pytaniach, które naprawdę mają znaczenie.

Dostępność i Bezpłatny Dostęp dla 10 000 Naukowców

Umiejętności chemoinformatyczne są dostępne w Google Antigravity od momentu ogłoszenia. Naukowcy mogą pobrać aplikację Antigravity i zainstalować wtyczkę Science, aby zacząć korzystać z umiejętności, oraz eksplorować udokumentowane przypadki użycia Science. Użytkownicy Enterprise mogą rozpocząć pracę z chemoinformatyką w Antigravity, wybierając „Use Business Account” i logując się do aplikacji przy użyciu swoich danych Google Cloud.

Aby jeszcze bardziej przyspieszyć tempo badań, Google oferuje 10 000 naukowców najwyższy poziom użytkowania Google Antigravity bezpłatnie przez 6 miesięcy, z dołączaniem w trybie ciągłym i pod warunkiem spełnienia kryteriów, dostępności i wyboru. Wnioski są już otwarte.

Podziękowania

DeepMind podziękowało za wkład następujących członków zespołu: 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 i Pushmeet Kohli.

Firma skierowała również czytelników do powiązanych postów na swoim blogu, w tym "Accelerating the search for antimicrobial peptides with Google Antigravity" i "Conversing with antiquity".

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