Google Antigravity 推出化学信息学技能，一小时完成药物发现流程

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，并提出合成候选分子——这个工作流程通常需要几天时间才能完成一次迭代。

在这里，我们展示了配备我们新化学信息学技能的 Google Antigravity 如何加速药物发现工作流程。使用真实的肺癌治疗方法，一个代理在数千种化合物中搜索，执行匹配分子对分析，并在一个小时内向新刚性化的宏环提出合成路线。

化学是科学中最丰富的公共记录之一 — 跨越期刊文章和供应商目录中的数百万种结构。它提供了一个通用表示形式，将物理学和数学与生命和环境科学联系起来。分子及其转化无处不在，并塑造着日常世界。

尽管化学信息学取得了数十年的进步，但化学家仍然花费太多时间处理数据，而分子可以以多种方式表示这一事实使这个过程变得复杂：从文本描述到图像或数据结构。相同的分子可以以 IUPAC 命名出现在一篇论文中，以 Markush 结构 出现在一项专利中，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它们中可能出现的许多错误。这项任务没有容错空间——改变一个原子或键，你就会描述一个不同的化合物，使有希望的抑制剂或催化剂失效。

为了让科学家专注于假设而不是数据整理，我们为 Google Antigravity 构建了一套 化学信息学技能，将表面变成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个劳动分工，其中底层语言模型处理工作流编排、数据库导航和科学推理，而确定性化学工具执行分子计算。基于 RDKit，这个由全球贡献者社区在二十多年里开发的基础开源化学信息学工具包，以及连接到来自 ChEMBL 和 PubChem 的整理资源，这些技能将领域最佳实践直接编码到代理的工作流程中。

使柔性分子刚性化

在这个技术概述中，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，通常通过旋转键连接多个子结构。这些键使分子可以扭曲成许多三维形状（构象），使其在溶液中“柔性”。然而，为了结合其靶点，柔性分子必须锁定成一个单一的活性形状。失去这种运动自由度会带来熵的惩罚，这会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的键来使分子刚性化。由一个可旋转键连接的两个子结构可以扭曲成许多构象，但添加第二个键将它们连接在一起会显著限制它们在三维空间中的运动方式。通过将这个键放在正确的位置，化学家可以将分子锁定成精确的形状，以结合其靶点。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，我们将关注一个成功的刚性化案例。药物克唑替尼是一种第一代小分子酪氨酸激酶抑制剂（TKI），用于治疗某些非小细胞肺癌。在克唑替尼中，有五个主要的可旋转键。洛拉替尼是一种第三代小分子TKI，与克唑替尼相似，但在其末端进行了环化，以将可旋转键的有效数量减少到零，从而在多种效果中提高了效力。

协作智能

我们将要求代理从文献中搜索这些药物及其类似物。凭借Antigravity中的化学信息学技能，代理能够从这些文档中提取分子，将它们与报告的数据关联起来，并为下游分析准备化合物。

为了更深入的探索，代理启动了一个交互式查看器，显示经过筛选的化合物、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，按宏观环状态着色，立即揭示宏观环如洛拉替尼往往具有较少的可旋转键和更高的效力。最终，我们设计了这些技能，不仅扩展了代理的化学能力，还使用户-代理协作无缝。

在下载和筛选所有数据后，代理能够执行更高级的分析以支持计算化学家的工作。下一步，我们将执行匹配分子对分析，这是一种在药物化学中用于通过比较仅在一个变化上不同的分子对来隔离分子小而离散变化效果的技巧。代理也已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。我们还将要求代理利用其分子机器学习能力构建预测模型。

分子对匹配分析 (MMPA) 比较了多对分子，这些分子是否成环有所不同。分析结果显示，成环减少了可旋转键的数量，同时通常增加了效力，正如预期的那样。该代理还使用不同的特征集和模型架构构建了大量效力模型，并在保留集上验证了它们。这些技能为代理提供了关于如何最佳构建分子机器学习模型的指导——例如，当这些信息可用时，代理通常会使用时间顺序分割，在旧化合物上训练以预测新化合物，但可以回退到骨架分割以更好地估计泛化能力。

最后，我们要求代理根据其学习设计新的、改进的宏环，它推荐了多种涉及不同化合物的反应和合成路线。该代理可以使用AlphaFold或分子动力学模拟等基于物理的技术为进一步分析准备这些化合物。

这项技能为代理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查找类似反应所需的工具。该代理使用其自身知识与先前开发的MMPA和效力预测模型结合生成了一些有趣的设计，解释了其药物化学原理，并提出了与已记录程序一致的可能合成路线。它还使用了它在上一轮训练的模型来预测每个设计的效力。

一旦我们完成分析，结果可以以各种格式导出，准备好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是最大功率模型的预测精度；计算设计是可测试的假设，而不是完成的药物。使用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受支持的 设计假设，但每个提出的 设计都必须通过合成和实验验证。

研究人员做出有意义的科学决策的速度正在加速。不久前，这里展示的工作流程将需要多天并需要显著的计算专业知识。使用Antigravity作为科学工作台允许计算和实验化学家加速他们的工作流程，并专注于真正重要的问题。

致谢

化学信息学技能今天可以在Google Antigravity上使用。下载Antigravity应用程序并安装Science插件以开始使用这些技能。探索Science用例 这里。

您也可以今天作为企业用户在 Antigravity 上开始使用化学信息学，方法是选择“使用工作账户”并使用您的 Google Cloud 凭证登录该应用程序。

为了进一步加快研究步伐，我们为 10,000 名科学家免费提供 Google Antigravity 最高使用层级的 6 个月（滚动上线），具体取决于资格、容量和选择。申请 现已开放。

我们想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.