Google Antigravity 推出化学信息学 Skills，加速药物发现工作流
Agentic cheminformatics with Google Antigravity
Google DeepMind 为 Google Antigravity 发布 Cheminformatics Skills，把其变为协作科学工作台。技能基于 RDKit，连接 ChEMBL 和 PubChem，语言模型负责编排与推理，确定性化学工具执行分子计算。
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、插图和文献中整理复杂数据、训练预测模型，并提出可合成的候选分子——这一工作流程通常单次迭代就需要数天时间。
在本文中，我们将展示配备了全新化学信息学技能的 Google Antigravity 如何加速药物发现工作流程。以真实世界的肺癌疗法为例，智能体在短短一小时内搜索数千种化合物、执行匹配分子对分析，并提出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。它提供了一种将物理学和数学与生命科学及环境科学联系起来的通用表示方式。分子及其转化无处不在，塑造着我们日常生活的世界。
尽管化学信息学已发展数十年，化学家仍然要花费大量时间处理数据，而分子可以有多种表示方式——从文本描述到图像或数据结构——这使得这一过程更加复杂。同一个分子在论文中可能以 IUPAC 命名出现，在专利中可能是 Markush 结构，在目录中则可能是结构数据文件（SDF）。先进的化学信息系统必须能够统一这些来源，并应对其中可能出现的各种错误。这项任务容不得半点差错——只要改变一个原子或一根化学键，你描述的就完全是另一种化合物，原本有效的抑制剂或催化剂就可能因此失效。
为了让科学家专注于假设而不是数据处理，我们为 Google Antigravity 构建了一套化学信息学技能，将其界面打造成一个协作科学工作台，为计算化学家和实验台架化学家提供对本地工具的完整访问。
这些技能还形成了分工：底层语言模型负责工作流编排、数据库导航和科学推理，而确定性化学工具则执行分子计算。这些技能以 RDKit——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——为基础，并连接了来自 ChEMBL 和 PubChem 的精选资源，将领域最佳实践直接编入智能体的工作流程。
使柔性分子刚性化
在这篇技术指南中，我们将重点介绍一种提高药效的经典药物化学技术：刚性化。
药物分子可能十分复杂，常通过可旋转化学键连接多个子结构。这些化学键让分子可以扭转成许多三维形状（构象），使其在溶液中显得“柔韧”。然而，要与其靶点结合，柔性分子必须锁定为单一的活性形状。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药效。
为了解决这个问题，药物化学家常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子结构可以扭转成多种构象，但如果再添加一个键将它们连接起来，就会极大限制它们在三维空间中的运动方式。通过把该键放在恰当的位置，化学家可以将分子锁定在与靶标结合所需的精确形状上。这一策略通常被称为“预先支付熵代价”，能够显著提高效力。
在这里，我们将聚焦于一个著名的成功刚性化案例。药物克唑替尼（crizotinib）是一种第一代小分子酪氨酸激酶抑制剂（TKI），用于治疗某些类型的非小细胞肺癌。克唑替尼有五个主要的可旋转键。洛拉替尼（lorlatinib）是一种第三代小分子 TKI，与克唑替尼相似，但其末端已被环化，使有效可旋转键的数量降为零，从而带来了更高的效力等效果。
协同智能
我们将让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，智能体能够从这些文档中提取分子，将其与所报道的数据关联起来，并为下游分析准备化合物。
几分钟内，智能体就检索到数千个化合物，过滤掉不相关的分子（如缓冲液和溶剂），并在报告中记录它们的来源。报告还对检索到的化合物集进行了初步分析：例如，突出显示大环化合物大多被预测具有脑穿透性——鉴于目标肺癌经常转移到脑部，这是一项重要特性。
为了进行更深入的探索，智能体启动了一个交互式查看器，展示经过整理的化合物、其相关数据以及可自定义的散点图。例如，将效力对可旋转键作图，并按大环状态着色，立刻就能看出：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力。归根结底，我们设计这些技能不仅是为了扩展智能体的化学能力，也是为了让用户与智能体的协作无缝顺畅。
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变量间的关系。例如，将细胞效力对可旋转键作图并按大环状态着色，可以清楚地看到效力最高的化合物也正是刚性最强的化合物。
在下载并整理完所有数据后，智能体能够进行更高级的分析，以支持计算化学家的工作。下一步，我们将执行匹配分子对分析——这是药物化学中的一种技术，通过比较仅在某一个变化上不同的分子对，来分离分子上小的、离散变化所带来的影响。智能体此前也独立建议了这项分析，因为我们预计该数据集会包含许多有信息量的分子对。我们还将让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）比较了许多仅在是否成环上存在差异的分子对。分析结果显示，成环会减少可旋转键的数量，同时总体上提高效力，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佳构建分子机器学习模型的指导——例如，在信息可用时，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来预测较新的化合物；必要时也可退回到骨架划分，以更好地估计泛化能力。
该智能体在四种不同的实验读出上，使用不同的特征集对多种机器学习架构进行基准测试，并采用骨架划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，然后与智能体一起迭代改进。
最后，我们要求智能体基于其所学设计新的、改进的大环化合物，它推荐了多个涉及不同化合物的反应和合成路线。该智能体可以为这些化合物做好进一步分析的准备，以便用于 AlphaFold 或分子动力学模拟等基于物理的技术。
该技能为智能体配备了对反应进行操作和验证、生成弯箭头电子推动图以及从公共数据库查找相似反应所需的工具。该智能体运用自身知识并结合此前开发的 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，并提出了与文献记载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。
该智能体在提出新的合成方案时能够进行化学推理。这里智能体提出了一个成环反应，并向科学家提供电子推动图以演示其机理。
分析完成后，结果可以多种格式导出，随时可加载到众多行业标准化学软件包中。
与此同时，了解这些工具不能做什么也很重要。稀疏数据、实验室间检测噪声以及狭窄的动态范围会限制即使是最强大模型的预测精度；计算设计是可检验的假设，而非已完成的药物。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依据的设计假设，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。就在不久之前，这里演示的工作流程还需要数天时间，并且要求具备相当的计算专业知识。将 Antigravity 用作科学工作台，可以让计算化学家和实验化学家都能加速他们的工作流程，专注于真正重要的问题。
致谢
这些化学信息学技能现已在 Google Antigravity 上推出。下载 Antigravity 应用并安装 Science 插件即可开始使用这些技能。在这里探索科学用例。
今天起，企业用户即可在 Antigravity 上开始使用化学信息学功能：选择“Use Business Account”（使用企业账号），并使用您的 Google Cloud 凭据登录该应用。
为了进一步加快研究步伐，我们将免费向 10,000 名科学家提供为期 6 个月的 Google Antigravity 最高用量级别（分批接入），需符合资格、容量和遴选条件。申请现已开放。
我们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