Google Antigravity 上线化学信息学 Skills，一小时完成药物发现流程
Agentic cheminformatics with Google Antigravity
Google DeepMind 为 Google Antigravity 推出化学信息学 Skills，基于 RDKit 并接入 ChEMBL 与 PubChem，让智能体在约一小时内完成数千化合物检索、匹配分子对分析和新型刚性化大环分子设计并给出合成路线。
原文完整展示了从文献检索到分子设计的一小时实际流程，并说明数据噪声与实验验证的边界。
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，并提出可供合成的候选分子——这一工作流通常单次迭代就需要数天时间。
在此，我们展示配备全新化学信息学技能（Cheminformatics Skills）的 Google Antigravity 如何加速药物发现工作流。以真实肺癌治疗方案为例，一个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。
化学是科学领域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种结构。它提供了一种通用表示方法，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，塑造着日常世界。
尽管化学信息学数十年来取得了进展，化学家仍然花费过多时间处理数据，而分子可以用多种方式表示——从文本描述到图像或数据结构——这使得该过程更加复杂。同一个分子在论文中可能以 IUPAC 名称出现，在专利中可能以 Markush 结构出现，在目录中可能以结构数据文件（SDF）出现。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多种错误。这项任务不容有失——改变一个原子或化学键，你描述的就会是完全不同的化合物，使一种有前景的抑制剂或催化剂失去活性。
为了让科学家专注于假设而非数据整理，我们为 Google Antigravity 构建了一套化学信息学技能，将该平台转变为一个协作式科学工作台，使计算化学家和实验台化学家都能完全访问本地工具。
这些技能还创建了一种分工：底层语言模型负责工作流编排、数据库导航和科学推理，而确定性化学工具执行分子计算。这些技能以 RDKit 为基础——这是一个由全球贡献者社区历经二十年开发的基础开源化学信息学工具包——并配合与 ChEMBL 和 PubChem 精选资源的连接器，将领域最佳实践直接编码到智能体的工作流中。
刚性化柔性分子
在本技术演示中，我们重点介绍一种提高药物效力的经典药物化学技术：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。这些键让分子能够扭曲成许多三维形状（构象），使其在溶液中呈“柔性”。然而，要与靶点结合，柔性分子必须锁定为单一活性形状。失去这种运动自由度会带来熵惩罚，从而削弱结合亲和力并降低效力。
为了解决这个问题，药物化学家常常通过添加新的键来使分子刚性化。两个通过单个可旋转键相连的子结构可以扭转成多种构象，但添加第二个键将它们连接在一起会急剧限制它们在三维空间中的运动方式。通过将那个键放在正确的位置，化学家可以将分子锁定成结合其靶标所需的确切形状。这种策略通常被称为“预先支付熵成本”，可以显著提高效力。
在这里，我们将聚焦于一个著名的成功刚性化案例。药物 crizotinib 是第一代小分子酪氨酸激酶抑制剂（TKI），用于治疗某些形式的非小细胞肺癌。在 crizotinib 中，有五个主要的可旋转键。Lorlatinib 是第三代小分子 TKI，与 crizotinib 相似，但其末端已被环化，将有效可旋转键数量降至零，从而在诸多效应中带来更高的效力。
协同智能
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，将它们与所报告的数据关联起来，并准备化合物以供下游分析。
在几分钟内，智能体检索到数千种化合物，过滤掉无关分子（如缓冲液和溶剂），并在报告中记录其来源。该报告还对检索到的化合物集进行了初步分析：例如，强调大环化合物在很大程度上被预测具有脑渗透性，鉴于靶向肺癌经常转移到大脑，这是一个重要的性质。
为了进行更深入的探索，智能体启动了一个交互式查看器，显示精选的化合物、其相关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图，并按大环状态着色，立即揭示出像 lorlatinib 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，也是为了使智能体与用户的协作无缝进行。
在交互式查看器中，科学家可以浏览从文献中检索到的每种化合物，点击单个分子以检查其元数据，并绘制整个数据集中的关系图。例如，绘制细胞效力与可旋转键的关系图，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。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使用的技术，通过比较仅在该变化上不同的分子对，来分离对分子的小而离散变化的影响。智能体还独立建议了这项分析，因为我们预计数据集将包含许多信息丰富的配对。我们还将要求智能体利用其分子机器学习能力构建一个预测模型。
匹配分子对分析（MMPA）比较了许多对分子，这些分子的区别在于是否成环。分析结果表明，成环减少了可旋转键的数量，同时总体上提高了效力，这与预期一致。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好地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切分，即在较旧化合物上训练以预测较新化合物，但也可以回退到骨架切分以更好地估计泛化能力。
该智能体在四种不同的实验读数上对具有不同特征集的多种机器学习架构进行了基准测试，使用骨架切分以更好地评估分布外性能。统计和可视化输出的结合使科学家能够评估模型性能，然后与智能体迭代改进。
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。智能体可以准备这些化合物，以便用 AlphaFold 或分子动力学模拟等基于物理的技术进行进一步分析。
该技能为智能体配备了操作和验证反应、生成弯箭头电子推动图，以及从公共数据库中查找相似反应所需的工具。智能体结合自身知识与先前开发的 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，并提出了与已有文献程序一致的潜在合成路线。它还使用上一轮训练的模型来预测每个设计的效力。
智能体在提出新的合成方案时能够对化学进行推理。在这里，智能体提出了一种成环反应，为科学家提供了电子推动图以展示其机理。
分析完成后，结果可以导出为多种格式，随时可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、实验室间测定噪声和狭窄的动态范围限制了即使最强大模型的预测精度；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，药物发现科学家可以更快地生成有更强支持的设计假设，但每个提出的设计都必须通过实验合成和验证。
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，使计算化学家和实验化学家都能加速其工作流程，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 上提供。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。
作为企业用户，你今天也可以在 Antigravity 上开始使用化学信息学，只需选择“Use Business Account”并使用你的 Google Cloud 凭据登录该应用。
为进一步加快研究步伐，我们向 10,000 名科学家免费提供 Google Antigravity 的最高使用层级，为期 6 个月（分批 onboarding），须符合资格、容量和遴选条件。申请现已开放。
我们要感谢以下团队成员的贡献：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