Google DeepMind представила набор Cheminformatics Skills для Google Antigravity, позиционируя агентную платформу как совместную научную рабочую среду для химии. По словам компании, рабочие процессы, которые обычно занимают несколько дней на одну итерацию разработки лекарства — курирование сложных данных из графиков, иллюстраций и литературы, обучение предиктивных моделей и предложение молекул-кандидатов для синтеза — теперь могут быть выполнены примерно за час.

В публикации в блоге от 3 ноября 2026 года исследователи Зои Цангалиду, Жуйцзе (Келли) Чжан, Сукхдип Сингх и Майкл В. ЛеВайн описали систему на примере реальных методов лечения рака лёгкого: агент, оснащённый новыми навыками, проанализировал тысячи соединений, выполнил анализ парных молекулярных сравнений (matched molecular pair analysis) и всего за час предложил новые жёстко закреплённые макроциклы с маршрутами синтеза.

Почему данные хемоинформатики остаются сложными в обработке

Химия — одно из богатейших публичных достояний науки: миллионы структур в научных статьях и каталогах поставщиков. Она предоставляет общее представление, связывающее физику и математику с науками о жизни и окружающей среде, а молекулы и их превращения вездесущи и формируют повседневный мир.

Несмотря на десятилетия прогресса в хемоинформатике, химики по-прежнему тратят слишком много времени на обработку данных. Процесс осложняется тем, что молекулы могут быть представлены множеством способов — от текстовых описаний до изображений или структур данных: одно и то же соединение может фигурировать как название IUPAC в статье, как структура Markush в патенте или как файл структуры данных (SDF) в каталоге. Продвинутые хемоинформационные системы должны уметь объединять эти источники и справляться со множеством способов возникновения в них ошибок.

По словам команды, здесь нет права на ошибку — изменение одного атома или связи означает описание совершенно другого соединения, что может сделать перспективный ингибитор или катализатор неактивным.

Разделение труда между языковыми моделями и детерминированными инструментами

Чтобы учёные могли сосредоточиться на гипотезах, а не на обработке данных, DeepMind создала Cheminformatics Skills, превратив интерфейс Antigravity в совместную научную рабочую среду с полным доступом к локальным инструментам как для вычислительных, так и для экспериментальных химиков.

Навыки также создают разделение труда: базовая языковая модель отвечает за оркестрацию рабочих процессов, навигацию по базам данных и научные рассуждения, тогда как детерминированные химические инструменты выполняют молекулярные расчёты. Система основана на RDKit — базовом наборе инструментов хемоинформатики с открытым исходным кодом, разрабатываемом глобальным сообществом на протяжении двух десятилетий, — а также на коннекторах к курируемым ресурсам ChEMBL и PubChem. Вместе эти компоненты встраивают отраслевые лучшие практики непосредственно в рабочий процесс агента.

Жёсткое закрепление «гибкой» молекулы

В техническом разборе освещается классический метод медицинской химии для повышения активности препарата: жёсткое закрепление (rigidification).

Молекулы лекарств могут быть сложными, часто связывая несколько субструктур через вращающиеся связи. Эти связи позволяют молекуле скручиваться во множество трёхмерных форм (конформаций), делая её «гибкой» в растворе. Однако для связывания с мишенью гибкая молекула должна зафиксироваться в единой активной форме. Потеря этой свободы движения влечёт энтропийный штраф, который ослабляет аффинность связывания и снижает активность.

Для решения этой проблемы химики-медики часто закрепляют молекулы, добавляя новые связи. Две субструктуры, связанные одной вращающейся связью, могут принимать множество конформаций, но добавление второй связи, связывающей их, резко ограничивает их движение в трёхмерном пространстве. Разместив эту связь в нужном месте, химики могут зафиксировать молекулу в точной форме, необходимой для связывания с мишенью. Эта стратегия, часто называемая «заранее оплаченной энтропийной ценой», может значительно повысить активность.

Разбор сосредоточен на известном случае успешного закрепления. Кризотиниб — низкомолекулярный ингибитор тирозинкиназы (TKI) первого поколения, применяемый для лечения некоторых форм немелкоклеточного рака лёгкого; он содержит пять основных вращающихся связей. Лорлатиниб — низкомолекулярный ингибитор TKI третьего поколения, похожий на кризотиниб, но циклизованный на конце, что снижает эффективное число вращающихся связей до нуля и, среди прочих эффектов, приводит к более высокой активности.

Совместный интеллект в действии

Команда DeepMind попросила агента найти в литературе эти препараты и их аналоги. С помощью навыков хемоинформатики в Antigravity агент извлёк молекулы из документов, сопоставил их с опубликованными данными и подготовил соединения для последующего анализа.

В течение нескольких минут агент извлёк тысячи соединений, отфильтровал нерелевантные молекулы, такие как буферы и растворители, и задокументировал их источники в отчёте. Отчёт также содержал первоначальный анализ набора соединений: например, отмечалось, что макроциклы, по прогнозам, в основном проникают в мозг — важное свойство, учитывая, что рассматриваемый рак лёгкого часто метастазирует в мозг.

Для более глубокого исследования агент запускает интерактивный просмотрщик с курируемыми соединениями, их данными и настраиваемыми диаграммами рассеяния. Например, график зависимости активности от числа вращающихся связей, окрашенный по признаку макроцикла, сразу показывает, что макроциклы вроде лорлатиниба, как правило, имеют меньше вращающихся связей и более высокую активность.

DeepMind сообщила, что навыки создавались не только для расширения химических возможностей агента, но и для бесшовного сотрудничества пользователя и агента. В интерактивном просмотрщике учёные могут просматривать каждое соединение, извлечённое из литературы, кликать по отдельным молекулам для изучения метаданных и строить графики зависимостей по набору данных. Например, график клеточной активности в зависимости от числа вращающихся связей, окрашенный по признаку макроцикла, наглядно показывает, что самые активные соединения являются самыми жёсткими.

Парный анализ молекул и предиктивное моделирование

После загрузки и курирования всех данных агент выполняет более сложный анализ в поддержку работы вычислительного химика. Далее команда провела парный анализ молекулярных сравнений (MMPA) — метод медицинской химии, позволяющий изолировать эффекты небольших дискретных изменений молекулы путём сравнения пар молекул, отличающихся только этим изменением. Примечательно, что агент самостоятельно предложил этот анализ, поскольку ожидалось, что набор данных будет содержать множество информативных пар. Команда также попросила агента построить предиктивные модели с использованием его возможностей молекулярного машинного обучения.

MMPA сравнил множество пар молекул, отличающихся наличием или отсутствием циклизации. Результаты показали, что циклизация уменьшает число вращающихся связей и, как и ожидалось, в целом повышает активность.

Агент также построил большое число моделей активности с различными наборами признаков и архитектурами моделей и проверил их на отложенной выборке. Навыки дают агенту рекомендации по оптимальному построению моделей молекулярного машинного обучения — например, когда доступна информация о времени, агент часто использует хронологические разбиения, обучаясь на более старых соединениях для предсказания более новых, но может прибегать к разбиениям по скаффолдам для лучшей оценки обобщающей способности.

В демонстрации агент сравнил несколько архитектур машинного обучения с разными наборами признаков по четырём различным экспериментальным показателям, используя разбиение по скаффолдам для лучшей оценки производительности вне распределения. Сочетание статистических и визуальных результатов позволяет учёному оценить качество моделей и продолжать итерации с агентом.

От анализа к планированию синтеза

Наконец, команда попросила агента разработать новые, улучшенные макроциклы на основе полученных знаний, и агент рекомендовал несколько реакций и маршрутов синтеза с участием различных соединений. Агент может подготовить эти соединения для дальнейшего анализа с помощью AlphaFold или физических методов, таких как молекулярно-динамическое моделирование.

Агент способен рассуждать о химии при proposing новых планов синтеза. В одном примере он предложил реакцию циклизации, предоставив учёному диаграммы движения электронов для демонстрации механизма.

После завершения анализа результаты можно экспортировать в различных форматах, готовых для загрузки во многие отраслевые стандартные химические программные пакеты.

Знание ограничений

DeepMind также прямо указала, чего эти инструменты не могут. Разреженные данные, межлабораторный шум анализов и узкие динамические диапазоны ограничивают точность предсказаний даже самых мощных моделей; вычислительные разработки — это проверяемые гипотезы, а не готовые лекарства. С помощью Cheminformatics Skills в Antigravity учёный может быстрее формировать более обоснованные дизайнерские гипотезы, но каждое предложенное решение должно быть синтезировано и подтверждено экспериментально.

Компания отметила, что скорость принятия исследователями значимых научных решений растёт. Ещё недавно продемонстрированный рабочий процесс занял бы несколько дней и требовал значительных вычислительных знаний. Использование Antigravity в качестве научной рабочей среды позволяет и вычислительным, и экспериментальным химикам ускорять свою работу и сосредоточиться на действительно важных вопросах.

Доступность и бесплатный доступ для 10 000 учёных

Навыки хемоинформатики доступны в Google Antigravity с момента анонса. Учёные могут скачать приложение Antigravity и установить плагин Science, чтобы начать работу, а также изучить задокументированные примеры использования в науке. Корпоративные пользователи могут приступить к работе с хемоинформатикой в Antigravity, выбрав «Use Business Account» и войдя в приложение с учётными данными Google Cloud.

Чтобы ускорить темпы исследований, Google предоставляет 10 000 учёных высший тариф использования Google Antigravity бесплатно на 6 месяцев (с поэтапным подключением) при соблюдении условий, касающихся права на участие, вместимости и отбора. Приём заявок уже открыт.

Благодарности

DeepMind поблагодарила следующих участников команды: 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 и Pushmeet Kohli.

Компания также направила читателей к связанным публикациям в блоге, включая «Accelerating the search for antimicrobial peptides with Google Antigravity» и «Conversing with antiquity».

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