
Google DeepMind:用 Antigravity 的化学信息学技能,把通常要几天的一轮分子设计压到约一小时
工程Google DeepMindAntigravity药物发现化学信息学Agent
一句话结论
把编排和推理交给语言模型,把分子计算交给以 RDKit 为主的确定性工具,Agent 可以在约一小时内完成文献检索、成对分析和新大环设计,但提出的分子仍须合成和实验验证。
打开原文
Google DeepMind:Agentic Cheminformatics with Google Antigravity
背景与理念
设计新药通常要把图表、文献和目录里的分子整理好,再训练预测模型并提出可合成的候选,一轮迭代往往要好几天。同一分子还会以 IUPAC 名称、专利里的 Markush 结构或目录里的结构数据文件等不同形式出现,改一个原子或一条键就变成另一种化合物。DeepMind 为 Google Antigravity 做了一套化学信息学技能,让计算化学和实验化学的人都能在同一张工作台上调用本地工具,把数据整理从假设验证里拆出来。
具体做法
- 语言模型负责编排流程、查找数据库和科学推理,分子计算则交给确定性化学工具。技能建立在开源工具包 RDKit 上,并接上 ChEMBL、PubChem 等整理过的资源,把领域里的常用做法写进 Agent 的工作流。
- 他们用肺癌靶向药的刚性化作为完整演练。第一代药物克唑替尼有五条主要可旋转键,第三代药物洛拉替尼把末端环化,把有效可旋转键减到零,以提高效力。Agent 按要求检索这两类药及其类似物,从文献里抽出分子并配上报道数据,几分钟内就整理出数千个化合物,去掉缓冲剂、溶剂等无关分子,并写下来源。
- 接下来做成对分子分析,并训练效力预测模型。Agent 也曾主动建议做这类分析。技能会引导它在有日期时尽量按时间切分,用较旧化合物预测较新化合物,否则退回骨架切分,以便估计对分布外分子的泛化。最后再根据这些结果提出新的刚性大环、反应机理和合成路线,并用刚训练的模型预测效力,结果可导出到常见化学软件。
关键数据/例子
文中给出的对照是:同样这一轮工作,不久前还要花上数天,并需要不少计算化学经验;现在用 Antigravity 大约一小时就能做完。交互视图里把细胞效力对可旋转键作图、再按是否为大环着色,可以一眼看到效力最高的化合物往往也更刚性。作者同时写明,数据稀疏、实验室之间的检测噪声和较窄的动态范围,都会限制模型的预测精度,计算设计只是可检验的假说,不是成品药。
创新点
第一,把「会编排的模型」和「不许算错的化学工具」分开,而不是让模型直接改分子图。第二,用文献整理、成对分析和预测模型把设计理由摊开,并配上电子转移图和可查到的类似反应,方便人审。第三,技能同时面向计算化学和实验台,结果能接到 AlphaFold 或分子动力学等后续分析。
可否复用
- 在科学或工程 Agent 里,把不许出错的计算交给确定性工具,模型只负责检索、编排和解释。
- 先用整理好的公开数据把一轮完整工作流跑通,再决定要不要接内部专有数据。提出的设计必须经过实验或等价验证,不能把模型分数当成结论。