Google DeepMind 為 Google Antigravity 推出了一套 化學資訊學技能（Cheminformatics Skills），將這個由代理驅動的平台定位為化學領域的協作科學工作台。據公司表示，通常單次藥物開發迭代需要多天完成的工作流程——從圖表、插圖和文獻中整理複雜數據、訓練預測模型並提出候選合成分子——現在約一小時內即可完成。

在 2026 年 11 月 3 日發布的部落格文章中，研究人員 Zoi Tsangalidou、Ruijie (Kelly) Zhang、Sukhdeep Singh 和 Michael V. LeVine 以真實世界的肺癌治療藥物作為示範描述了該系統：配備新技能的代理在短短一小時內搜尋了數千個化合物、執行了匹配分子對分析，並提出了含完整合成路徑的新型剛性化大環化合物。

化學資訊學數據為何仍難以處理

化學是科學中最豐富的公共紀錄之一，涵蓋期刊文章和供應商目錄中數百萬個分子結構。它提供了一種共同的表示方式，將物理學和數學與生命科學及環境科學連結起來，而分子及其轉化無所不在，塑造著日常世界。

儘管化學資訊學已發展數十年，化學家仍花費過多時間整理數據。這一過程的複雜之處在於分子可以用多種方式表示，從文字描述到圖像或數據結構：同一個化合物可能以論文中的 IUPAC 命名、專利中的 Markush 結構，或目錄中的結構數據檔案（SDF）出現。先進的化學資訊學系統必須能夠統一這些來源，並處理其中可能出現的各種錯誤。

據該團隊表示，這項工作不容任何差錯——只要改變一個原子或鍵結，描述的就是完全不同的化合物，使原本極具潛力的抑制劑或催化劑失去活性。

語言模型與確定性工具之間的分工

為了讓科學家專注於假設而非數據整理，DeepMind 打造了化學資訊學技能，將 Antigravity 的介面轉變為一個協作科學工作台，為計算化學家和實驗室化學家提供完整的本地工具存取權限。

這些技能還建立了分工機制：底層語言模型負責工作流程編排、資料庫導航和科學推理，而確定性的化學工具則執行分子計算。該系統以 RDKit 為基礎——這是由全球貢獻者社群歷經二十年開發的基礎開源化學資訊學工具包——並連接來自 ChEMBL 和 PubChem 的策展資源。這些元件共同將領域最佳實踐直接編碼到代理的工作流程中。

剛性化柔軟分子

這次技術演示重點介紹了一種提升藥物效價的經典藥物化學技術：剛性化（rigidification）。

藥物分子可能相當複雜，常透過可旋轉鍵連接多個子結構。這些鍵讓分子能扭曲成許多三維形狀（構象），使其在溶液中顯得「柔軟」。然而，要與目標結合，柔軟的分子必須鎖定為單一活性形狀。失去這種運動自由會帶來熵損失，削弱結合親和力並降低效價。

為解決此問題，藥物化學家常透過添加新鍵來使分子剛性化。由單一可旋轉鍵連接的兩個子結構可扭曲成多種構象，但添加第二個鍵將它們連結起來，會大幅限制其在三維空間中的移動方式。化學家只要把這個鍵放在正確位置，就能將分子鎖定為與目標結合所需的確切形狀。這種策略常被稱為「預先支付熵成本」，可以顯著提升效價。

這次演示聚焦於一個著名的剛性化成功案例。藥物 crizotinib 是第一代小分子酪胺酸激酶抑制劑（TKI），用於治療某些形式的非小細胞肺癌；它含有五個主要可旋轉鍵。Lorlatinib 是第三代小分子 TKI，結構與 crizotinib 相似，但其末端已被環化，將有效可旋轉鍵數減至零，進而帶來更高效價等多種效果。

協作智能的實際運作

DeepMind 團隊要求代理在文獻中搜尋這些藥物及其類似物。藉助 Antigravity 中的化學資訊學技能，代理從文件中提取分子、將其與報告的數據關聯，並為後續分析準備這些化合物。

在幾分鐘內，代理檢索了數千個化合物、過濾掉無關分子（如緩衝液和溶劑），並在報告中記錄其來源。報告還對檢索到的化合物集進行了初步分析，例如指出這些大環化合物大多被預測具有腦部穿透性——鑑於目標肺癌經常轉移至腦部，這是一項重要性質。

為了深入探索，代理啟動了一個互動式檢視器，顯示策展後的化合物、其相關數據以及可自訂的散點圖。例如，將效價對可旋轉鍵數作圖並按大環狀態著色，立即顯示出像 lorlatinib 這樣的大環化合物往往具有更少的可旋轉鍵和更高的效價。

DeepMind 表示，設計這些技能不僅是為了擴展代理的化學能力，也是為了讓使用者與代理之間的協作無縫銜接。在互動式檢視器中，科學家可以瀏覽從文獻中檢索到的每一個化合物、點擊單個分子查看其元數據，並對整個數據集的關係作圖。例如，將細胞效價對可旋轉鍵數作圖並按大環狀態著色，清楚顯示效價最高的化合物剛性最強。

匹配分子對分析與預測建模

在下載並策展所有數據後，代理會執行更進階的分析，以支援計算化學家的工作。下一步，團隊執行了匹配分子對分析（MMPA），這是藥物化學中用於分離分子微小離散變化之影響的技術，方法是比較僅在該變化上有差異的分子對。值得注意的是，代理也曾獨立提出這項分析，因為預期數據集中會包含許多具有參考價值的分子對。團隊還要求代理利用其分子機器學習能力構建預測模型。

MMPA 比較了許多僅在是否環化上存在差異的分子對。分析結果顯示，環化減少了可旋轉鍵數，同時普遍提高了效價，符合預期。

代理還使用不同的特徵集和模型架構構建了大量效價模型，並在保留集上進行驗證。這些技能為代理提供了如何最佳構建分子機器學習模型的指導——例如，當時間資訊可用時，代理通常會採用時間順序切分，用較舊的化合物訓練以預測較新的化合物，必要時可改用骨架切分以更好地估算泛化能力。

在演示中，代理以不同特徵集對四種不同的實驗讀出值基準測試了多種機器學習架構，採用骨架切分以更好地衡量分佈外效能。統計與視覺化輸出的結合讓科學家能夠評估模型效能，並與代理共同迭代改進。

從分析到合成規劃

最後，團隊要求代理根據其學習成果設計新的、經改進的大環化合物，代理推薦了涉及不同化合物的多個反應和合成路徑。代理可以為這些化合物做好準備，以便使用 AlphaFold 或分子動力學模擬等基於物理的技術進行進一步分析。

代理在提出新合成方案時能夠進行化學推理。在其中一個例子中，它提出了一個環化反應，並向科學家提供電子推移圖以說明反應機制。

分析完成後，結果可以以多種格式匯出，可直接載入許多業界標準的化學軟體套件。

瞭解工具的侷限

DeepMind 也明確說明了這些工具無法做到的事。數據稀疏、實驗室間檢測雜訊和狹窄的動態範圍限制了即使是最強大模型的預測精度；計算設計是可檢驗的假設，而非成品藥物。藉助 Antigravity 中的化學資訊學技能，藥物開發科學家可以更快地生成證據更充分的设计假設，但每一個提出的設計都必須經過合成和實驗驗證。

公司指出，研究人員做出有意義科學決策的速度正在加快。不久之前，文中演示的工作流程還需要多天時間，並需要大量的計算專業知識。將 Antigravity 用作科學工作台，讓計算化學家和實驗化學家都能加速工作流程，專注於真正重要的問題。

10,000 名科學家的免費使用權

化學資訊學技能自公告起即可在 Google Antigravity 上使用。科學家可以下載 Antigravity App 並安裝 Science 外掛以開始使用這些技能，並探索已記錄的 Science 使用案例。企業使用者可選擇「Use Business Account」並以 Google Cloud 憑證登入應用程式，即刻開始在 Antigravity 上使用化學資訊學功能。

為進一步推進研究步伐，Google 向 10,000 名科學家免費提供 Google Antigravity 最高用量等級為期 6 個月，採滾動式加入，並受資格、容量和甄選條件限制。申請現已開放。

致謝

DeepMind 致謝以下團隊成員的貢獻：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 和 Pushmeet Kohli。

公司還向讀者推薦其部落格上的相關文章，包括「Accelerating the search for antimicrobial peptides with Google Antigravity」和「Conversing with antiquity」。

資料來源：Google DeepMind 部落格——「Agentic Cheminformatics with Google Antigravity」