Google DeepMind 发布了一套面向 Google Antigravity 的化学信息学技能，将这个由智能体驱动的平台定位为化学领域的协作式科学工作台。据该公司介绍，以往完成一轮药物发现迭代通常需要数天时间——包括从图表和文献中整理复杂数据、训练预测模型以及提出候选合成分子——如今可在约一小时内完成。

在 2026 年 11 月 3 日发布的博客文章中，研究人员 Zoi Tsangalidou、Ruijie (Kelly) Zhang、Sukhdeep Singh 和 Michael V. LeVine 以真实肺癌治疗药物为例演示了该系统：装备了新技能的智能体在数以千计的化合物中进行检索，执行匹配分子对分析，并在短短一小时内提出了带有合成路线的新型刚性化大环化合物。

化学信息学数据为何仍难以处理

化学是科学中最丰富的公共记录之一，涵盖期刊文章和供应商目录中的数百万个分子结构。它提供了一种将物理学和数学与生命科学和环境科学联系起来的通用表示方式，而分子及其转化无处不在，塑造着日常世界。

尽管化学信息学已发展数十年，化学家们仍然在数据处理上花费大量时间。这一过程之所以复杂，是因为分子可以有多种表示方式，从文本描述到图像或数据结构：同一个化合物在论文中可能以 IUPAC 命名出现，在专利中可能以 Markush 结构出现，或在目录中作为结构数据文件（SDF）出现。先进的化学信息系统必须能够统一这些数据源，并应对其中可能产生的各种错误。

据该团队介绍，这项工作不容出错——只要改动一个原子或一根化学键，所描述的就完全是另一种化合物，原本具有前景的抑制剂或催化剂就会因此失去活性。

语言模型与确定性工具之间的分工

为了让科学家专注于假设而非数据整理，DeepMind 构建了化学信息学技能，将 Antigravity 的界面转变为一个协作式科学工作台，为计算化学家和实验台化学家均提供对本地工具的完整访问。

这些技能还建立了一种分工机制：底层语言模型负责工作流编排、数据库导航和科学推理，而确定性化学工具则执行分子计算。该系统以 RDKit 为基础——这是一个由全球贡献者社区历经二十余年开发的基础性开源化学信息学工具包——同时还连接了来自 ChEMBL 和 PubChem 的经整理资源。这些组件共同将领域最佳实践直接编码到智能体的工作流中。

让柔性分子变得刚性

该技术演示重点介绍了一种改进药物效价的经典药物化学技术：刚性化。

药物分子可能十分复杂，常通过可旋转键连接多个子结构。这些化学键使分子能够扭曲成多种三维形状（构象），使其在溶液中显得“柔韧”。然而，要与靶标结合，柔性分子必须锁定为单一活性形状。失去这种运动自由会带来熵惩罚，削弱结合亲和力并降低效价。

为解决这一问题，药物化学家常通过添加新化学键使分子刚性化。由单一可旋转键连接的两个子结构可以扭曲成多种构象，但添加第二根化学键将它们连接起来，会显著限制它们在三维空间中的运动。通过将这根化学键放置在恰当的位置，化学家可以将分子锁定为结合靶标所需的精确形状。这种策略常被称为“提前支付熵成本”，可显著提升效价。

此次演示聚焦一个著名的成功刚性化案例。药物克唑替尼（crizotinib）是一种用于治疗某些类型非小细胞肺癌的第一代小分子酪氨酸激酶抑制剂（TKI），含有五个主要可旋转键。洛拉替尼（lorlatinib）是一种与克唑替尼相似的第三代小分子 TKI，但其末端经过环化，将有效可旋转键数量降至零，从而带来更高的效价等效果。

协作式智能的实际运作

DeepMind 团队要求智能体在文献中检索这些药物及其类似物。借助 Antigravity 中的化学信息学技能，智能体从这些文档中提取分子，将其与所报告的数据关联，并为下游分析准备好这些化合物。

在几分钟内，智能体检索了数千个化合物，过滤掉无关分子（如缓冲液和溶剂），并在报告中记录了它们的来源。报告还对检索到的化合物集合进行了初步分析，例如指出这些大环化合物大多被预测具有脑穿透性——鉴于目标肺癌经常向脑部转移，这是一个重要特性。

为进行更深入的探索，智能体启动了一个交互式查看器，展示经整理的化合物、其相关数据以及可自定义的散点图。例如，将效价与可旋转键数作图、按大环状态着色，可以立即发现像洛拉替尼这样的大环化合物往往具有更少的可旋转键和更高的效价。

DeepMind 表示，设计这些技能不仅是为了扩展智能体的化学能力，也是为了让用户与智能体之间的协作无缝衔接。在交互式查看器中，科学家可以浏览从文献中检索到的每一个化合物，点击单个分子查看其元数据，并在整个数据集上绘制各种关系图。例如，将细胞效价与可旋转键数作图、按大环状态着色，可以清晰地看到效价最高的化合物正是刚性最强的化合物。

匹配分子对分析与预测建模

在下载并整理完所有数据后，智能体可执行更高级的分析，以支持计算化学家的工作。下一步，团队执行了匹配分子对分析（MMPA），这是药物化学中用于隔离分子微小离散变化之影响的一种技术，通过比较仅在该变化上存在差异的分子对来实现。值得注意的是，智能体此前还独立提出了这一分析，因为预计该数据集会包含许多有信息价值的分子对。团队还要求智能体利用其分子机器学习能力构建预测模型。

MMPA 比较了许多在是否环化上存在差异的分子对。分析结果显示，环化减少了可旋转键数量，同时总体上提升了效价，符合预期。

智能体还使用不同的特征集和模型架构构建了大量效价模型，并在留出集上进行了验证。这些技能为智能体提供了如何最佳构建分子机器学习模型的指导——例如，当时间信息可用时，智能体通常会采用按时间顺序划分的方式，用较早的化合物训练以预测较新的化合物；在缺乏这类信息时，则可回退到骨架划分以更好地估计泛化能力。

在演示中，智能体使用不同特征集在四种不同的实验读出指标上对多种机器学习架构进行了基准测试，并采用骨架划分以更好地评估分布外性能。统计与可视化输出相结合，使科学家能够评估模型性能，并与智能体进行迭代优化。

从分析到合成规划

最后，团队要求智能体基于所学设计新的、经过改进的大环化合物，智能体推荐了多个涉及不同化合物的反应和合成路线。智能体可以为这些化合物做好进一步分析的准备，例如使用 AlphaFold 或分子动力学模拟等基于物理的方法。

智能体在提出新合成方案时能够对化学原理进行推理。在一个例子中，它提出了一项环化反应，并为科学家提供了电子推动图以展示反应机理。

分析完成后，结果可以以多种格式导出，可直接加载到众多行业标准的化学软件包中。

认清局限

DeepMind 同样明确指出了这些工具的局限。稀疏数据、实验室间检测噪声以及狭窄的动态范围，即使是最强大的模型也会受到预测精度的限制；计算设计是可检验的假设，而非成品药物。借助 Antigravity 中的化学信息学技能，药物发现科学家能够更快地生成依据更充分的设计假设，但每个提出的设计都必须经过合成和实验验证。

该公司认为，研究人员做出有意义科学决策的速度正在加快。不久之前，文章中演示的工作流还需要数天时间，并且需要深厚的计算专业知识。将 Antigravity 用作科学工作台，可以让计算化学家和实验化学家都加速其工作流程，专注于真正重要的问题。

面向 10,000 名科学家的免费使用

化学信息学技能自发布公告之日起已在 Google Antigravity 上线。科学家可以下载 Antigravity 应用并安装 Science 插件开始使用这些技能，并浏览已有的科学用例。企业用户可以选择“Use Business Account”，并使用 Google Cloud 凭据登录应用，即刻在 Antigravity 上开始化学信息学之旅。

为进一步加快研究步伐，Google 正向 10,000 名科学家免费提供 Google Antigravity 最高用量档位为期 6 个月的使用权限，以滚动方式入驻，并受资格、容量和遴选条件限制。申请现已开放。

致谢

DeepMind 对以下团队成员的贡献表示感谢：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 以及 Pushmeet Kohli。

该公司还向读者推荐了其博客上的相关文章，包括《Accelerating the search for antimicrobial peptides with Google Antigravity》和《Conversing with antiquity》。

来源：Google DeepMind 博客——《Agentic Cheminformatics with Google Antigravity》