Google Antigravity 引入化学信息学技能，加速药物发现工作流
2026年11月3日，Google DeepMind 发布了一项针对科学工作流的更新，展示了如何利用 Google Antigravity 平台结合新的化学信息学技能来加速药物发现过程。该功能旨在将原本需要数天的复杂数据处理、模型训练及候选分子筛选流程缩短至一小时以内。
背景：化学数据处理的挑战与自动化需求
新药研发涉及从图表、文献和数据库中整理海量复杂数据，并训练预测模型以提出可合成的候选分子。尽管化学拥有数百万篇期刊文章和供应商目录作为公共记录，且化学信息学已发展数十年，但研究人员仍耗费大量时间在数据清洗上。由于分子表示形式的多样性（如 IUPAC 名称、Markush 结构或 SDF 文件），统一多源数据并处理其中的错误极具挑战性。任何原子或键的微小变动都可能导致化合物性质截然不同，因此该领域对数据准确性要求极高。
为解决这一痛点，Google 为 Antigravity 打造了一套化学信息学技能，将其转化为协作式科学工作台。这套系统实现了分工合作：基础语言模型负责工作流程编排、数据库导航和科学推理，而基于 RDKit（一个由全球社区开发超过20年的开源工具包）的确定性化学工具则执行具体的分子计算。此外，系统还集成了 ChEMBL 和 PubChem 等策划资源连接器，将行业最佳实践直接编码到代理的工作流程中。
案例研究：肺癌药物的“刚性化”策略
此次演示聚焦于一种经典的药物化学技术——“刚性化”（Rigidification）。许多药物分子通过可旋转键连接子结构，导致其在溶液中呈现多种三维构象，变得“柔软”。为了锁定单一活性形状以提高结合力和功效，化学家通常通过添加新键形成环状结构来限制分子的运动自由度。这种策略被称为“预先支付熵成本”，能显著提升药物效力。
演示选取了非小细胞肺癌治疗中的两个著名案例进行对比：第一代酪氨酸激酶抑制剂（TKI）Crizotinib 含有五种主要可旋转键；而第三代 TKI Lorlatinib 通过在末端成环，将有效可旋转键数量降至零，从而获得了更高的强度和疗效。
智能体协作流程：从文献检索到分子设计
在演示中，AI 代理利用 Antigravity 的化学信息学技能自动搜索相关文献，提取分子结构并与报告数据关联。在几分钟内，代理即可检索出数千种化合物，剔除缓冲剂和溶剂等无关分子，并记录数据来源。初步分析显示，宏循环化合物通常被预测具有更好的大脑渗透性，这对于易转移至大脑的肺癌治疗至关重要。
为进一步深入探索，代理启动交互式查看器，展示精选化合物及其元数据。科学家可通过定制散点图观察分子特性，例如以宏循环状态为颜色标记的强度与可旋转键数量关系图，直观地显示出高活性化合物往往具有更少的可旋转键和更高的刚性。
高级分析与新分子生成
在数据整理完成后，代理执行匹配分子对分析（MMPA），比较因环化与否而异的分子对。结果证实，环化确实减少了可旋转键数量并提升了功效。同时，代理利用机器学习能力构建了大量效能预测模型，并在保留集上进行验证。这些技能指导代理采用时间分离或支架分离等策略，以更好地估计模型的泛化能力。
最后，代理基于学习到的知识、MMPA 结果及效能模型，设计了改进的新型宏循环分子。它生成了电子推动箭头图等反应示意图，查阅公共数据库中的类似反应，并提出了符合既定程序的多步合成路径。代理还解释了其药物化学原理，并利用先前训练的模型预测每个设计的效能。最终结果可导出为标准格式，兼容主流化学软件。
局限性与展望
Google 强调，尽管工具强大，但仍存在局限性。稀缺的数据、实验室测试噪声以及狭窄的动态范围限制了模型的预测精度。计算生成的设计仅是可测试的假设，而非成品药物，所有提议的设计仍需通过实验合成和验证。然而，Antigravity 使得科学家能够更快地产生更有依据的设计假设，将原本需数天且依赖大量计算专业知识的工作流程大幅压缩，让研究人员专注于核心科学问题。
可用性与申请方式
目前，Google Antigravity 上的化学信息学技能已可供使用。用户可下载 Antigravity 应用程序并安装科学插件开始体验。企业用户可选择“使用业务帐户”并通过 Google Cloud 凭证登录。
为支持科研，Google 宣布向 10,000 名符合条件的科学家免费提供最高使用层级的服务，为期 6 个月，申请通道现已开放。
