Google Antigravity 演示化学信息学技能加速药物发现
Agentic cheminformatics with Google Antigravity
Google DeepMind 于2026年11月3日演示 Google Antigravity 配备 Cheminformatics Skills 可将药物发现迭代从数天缩至1小时。演示以肺癌药物为例展示代理搜索化合物、构建预测模型并提议合成路线，技能现已向企业用户和科学家开放。
原文演示 Google Antigravity 化学信息学技能将药物发现从数天缩至一小时，可参考其人机协作方式。
2026年11月3日 科学
Zoi Tsangalidou, Ruijie (Kelly) Zhang, Sukhdeep Singh 和 Michael V. LeVine
设计新药需要从图表、图形和文献中整理复杂数据，训练预测模型，并提出待合成的候选分子——这一工作流程通常单次迭代就需要数天时间。
我们展示了配备我们新的化学信息学技能（Cheminformatics Skills）的 Google Antigravity 如何加速药物发现工作流程。利用真实的肺癌治疗方案，智能体在短短一小时内搜索了数千种化合物，执行了匹配分子对分析，并提出了具有合成路线的新型刚性化大环化合物。
化学是科学中最丰富的公开记录之一 — 涵盖期刊文章和供应商目录中的数百万种结构。它提供了一种通用表示法，将物理学和数学与生命科学和环境科学联系起来。分子及其转化无处不在，塑造着我们的日常世界。
尽管化学信息学领域几十年来取得了进步，但化学家们仍然花费太多时间处理数据，这一过程因分子可以用多种方式来表示而变得复杂：从文本描述到图像或数据结构。同一种分子可能以 IUPAC 名称出现在论文中，以 Markush 结构 出现在专利中，或以结构数据文件（SDF）出现在目录中。先进的化学信息学系统必须能够统一这些来源，并处理其中可能出现的各种错误。这项任务不容有失——改变一个原子或一个键，你就描述了一种完全不同的化合物，从而使有前景的抑制剂或催化剂变得无效。
为了让科学家专注于假设而非数据处理，我们为 Google Antigravity 构建了一套化学信息学技能，将界面转变为一个协作科学工作台，为计算化学家和实验台化学家提供对本地工具的完全访问权限。
这些技能还创建了一种分工，其中底层语言模型负责工作流程编排、数据库导航和科学推理，而确定性化学工具执行分子计算。基于 RDKit（一个由全球贡献者社区经过二十多年开发的基础开源化学信息学工具包），以及连接到 ChEMBL 和 PubChem 的精选资源连接器，这些技能将领域最佳实践直接编码到智能体的工作流程中。
刚性化柔性分子
在这篇技术指南中，我们重点介绍了一种经典的药物化学技术来提高药物效力：刚性化。
药物分子可能很复杂，通常通过可旋转键连接多个子结构。这些键使分子能够扭曲成许多三维形状（构象），使其在溶液中变得“柔性”。然而，为了结合其靶标，柔性分子必须锁定为单一的活性形状。失去这种运动自由会带来熵罚，从而削弱结合亲和力并降低效力。
为了解决这个问题，药物化学家通常通过添加新键来使分子刚性化。由单个可旋转键连接的两个亚结构可以扭变成多种构象，但添加第二个键将它们连接起来会极大地限制它们在三维空间中的运动方式。通过将该键放置在正确的位置，化学家可以将分子锁定为结合其靶标所需的精确形状。这种通常被称为“预先支付熵成本”的策略，可以显著提高效力。
在这里，我们将关注一个成功的刚性化典型案例。药物克唑替尼（crizotinib）是一种用于治疗某些非小细胞肺癌形式的第一代小分子酪氨酸激酶抑制剂（TKI）。在克唑替尼中，有五个主要的可旋转键。劳拉替尼（lorlatinib）是一种结构类似于克唑替尼的第三代小分子 TKI，但其末端经过环化，将有效可旋转键数量减少至零，从而带来包括更高效力在内的其他效果。
协作智能
我们将要求智能体在文献中搜索这些药物及其类似物。借助 Antigravity 中的化学信息学技能，智能体能够从这些文档中提取分子，将其与报告的数据关联起来，并为下游分析准备化合物。
在几分钟内，智能体检索了数千种化合物，过滤掉不相关的分子（如缓冲液和溶剂），并在报告中记录其来源。该报告还提供了对检索到的化合物集的初步分析：例如，突出显示大环化合物大多被预测具有脑渗透性，鉴于靶标肺癌常转移至脑部，这是一个重要属性。
为了更深入地探索，智能体启动了一个交互式查看器，展示精选的化合物、其关联数据以及可定制的散点图。例如，绘制效力与可旋转键的关系，并按大环状态着色，立即揭示出像劳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力。最终，我们设计这些技能不仅是为了扩展智能体的化学能力，也是为了使用户与智能体的协作无缝衔接。
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种化合物，点击单个分子以检查其元数据，并绘制数据集中的关系。例如，绘制细胞效力与可旋转键的关系，并按大环状态着色，清楚地表明效力最高的化合物是最刚性的。
在下载并整理所有数据后，智能体能够执行更高级的分析以支持计算化学家的工作。作为下一步，我们将进行匹配分子对分析，这是一种在药物化学中用于通过比较仅由该变化不同的分子对来隔离分子微小、离散变化效果的技术。智能体也独立建议了这种分析，因为我们预计数据集将包含许多信息丰富的分子对。我们还将要求智能体利用其分子机器学习能力构建预测模型。
匹配分子对分析（MMPA）比较了许多仅在环化与否上存在差异的分子对。分析结果显示，正如预期那样，环化减少了可旋转键的数量，同时通常提高了效力。该智能体还使用不同的特征集和模型架构构建了大量效力模型，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，当此类信息可用时，智能体通常会使用时间顺序划分，利用较旧的化合物进行训练以预测较新的化合物，但也可以回退到骨架划分，以更好地评估泛化能力。
该智能体在四个不同的实验读数上，使用不同的特征集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衡量分布外性能。统计输出和可视化输出的结合使科学家能够评估模型性能，然后与智能体进行迭代。
最后，我们要求智能体基于其学习成果设计新的、改进的大环化合物，它推荐了涉及不同化合物的多种反应和合成路线。该智能体可以准备这些化合物，以便使用 AlphaFold 或基于物理的技术（如分子动力学模拟）进行进一步分析。
该技能为智能体提供了操作和验证反应、生成弯曲箭头电子推动图以及从公共数据库中查找类似反应所需的工具。智能体利用其自身知识结合先前开发的 MMPA 和效力预测模型，生成了一些有趣的设计，解释了其药物化学原理，并建议了与已记录程序一致的潜在合成路线。它还使用了在上一轮中训练的模型来预测每个设计的效力。
该智能体在提出新的合成计划时能够对化学进行推理。在此处，智能体提出了一种环化反应，并为科学家提供了电子推动图以展示其机理。
分析完成后，结果可以以各种格式导出，准备加载到许多行业标准化学软件包中。
同时，了解这些工具不能做什么也很重要。稀疏数据、实验室间的检测噪声和狭窄的动态范围限制了即使是最强大模型的预测精度；计算设计是可测试的假设，而不是成品药物。借助 Antigravity 中的化学信息学技能，药物发现科学家可以更快地生成更有据可依的设计假设，但每个提出的设计都必须经过合成和实验验证。
研究人员做出有意义的科学决策的速度正在加快。不久之前，这里展示的工作流程需要数天时间，并且需要大量的计算专业知识。使用 Antigravity 作为科学工作台，计算化学家和实验化学家都可以加速其工作流程，并专注于真正重要的问题。
致谢
化学信息学技能现已在 Google Antigravity 上可用。下载 Antigravity 应用并安装 Science 插件即可开始使用这些技能。在此处探索 Science 用例。
企业用户也可以从今天开始在 Antigravity 上开始使用化学信息学，只需选择“使用企业账户”并使用您的 Google Cloud 凭据登录应用即可。
为了进一步加快研究步伐，我们将为 10,000 名科学家免费提供 Google Antigravity 的最高使用层级，为期 6 个月（按滚动方式入驻），具体视资格、容量和选择情况而定。申请现已开放。
我们谨向以下团队成员的贡献表示致谢：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、Pushmeet Kohli。
来源：Google DeepMind · deepmind.google