Google DeepMind beschreibt für die Cheminformatik-Skills in Google Antigravity einen Viewer, in dem Forschende abgerufene Verbindungen und ihre Metadaten prüfen, Diagramme anpassen und Ergebnisse für etablierte Chemieprogramme exportieren können. Vorgeschlagene Moleküle bleiben Entwürfe: Sie müssen erst synthetisiert und experimentell untersucht werden. Die Skills wurden am 3. November 2026 angekündigt und waren laut Google DeepMind über das Science plugin verfügbar.
Einblicke in einzelne Datensätze und exportierbare Ergebnisse machen den Arbeitsablauf nachvollziehbarer. Ob ein Molekül funktioniert, klärt erst das Experiment.
Was Forschende in Antigravity prüfen und weiterverwenden können
Der interaktive Viewer soll den Blick auf einzelne Verbindungen und ihre zugehörigen Metadaten ermöglichen. Forschende können außerdem anpassbare Streudiagramme erstellen und Analyseergebnisse in Formaten exportieren, die sich mit branchenüblicher Chemiesoftware verwenden lassen. Damit können sie Datensätze untersuchen und Ergebnisse in bestehende Arbeitsabläufe übernehmen, statt sich allein auf eine Zusammenfassung des Agenten zu stützen.
Die von Google DeepMind gezeigte Oberfläche enthält ein Dashboard mit vier Diagrammen. Die Ankündigung beschreibt zudem die Auswertung von Modellarchitekturen und Merkmalskombinationen anhand von vier experimentellen Messgrößen.
Wie die Cheminformatik-Skills den Ablauf organisieren
Das Sprachmodell koordiniert nach Googles Beschreibung die Arbeitsschritte, navigiert Datenbanken und übernimmt wissenschaftliche Schlussfolgerungen. Für molekulare Berechnungen kommen deterministische Chemiewerkzeuge zum Einsatz. Die Skills bauen auf RDKit auf und verbinden sich mit den chemischen Ressourcen ChEMBL und PubChem.
Der Ablauf umfasst die Suche in wissenschaftlicher Literatur, das Extrahieren und Kuratieren von Verbindungen, deren Analyse und die Erstellung von Modellen zur Vorhersage der Wirkstärke. Ein Verfahren darin ist die Matched-Molecular-Pair-Analyse (MMPA): Sie vergleicht Molekülpaare, die sich durch eine festgelegte Strukturänderung unterscheiden. Die Skills schlagen außerdem Makrozyklen und mögliche Synthesewege vor.
Was die Modellbewertung und Zeitangaben aussagen
Google DeepMind berichtet, verschiedene Modellarchitekturen und Merkmalskombinationen anhand von vier experimentellen Messgrößen bewertet zu haben. Beim Scaffold-Split werden Moleküle nach ihrem strukturellen Gerüst aufgeteilt, um die Vorhersageleistung für strukturell andersartige Verbindungen einzuschätzen. Wenn Datumsangaben vorliegen, können auch zeitlich getrennte Datensätze zum Einsatz kommen.
Die Zeitangaben beziehen sich auf unterschiedlich beschriebene Abläufe. Der Blog von Google DeepMind nennt rund eine Stunde für den vorgestellten Arbeitsablauf und mehrere Tage für eine übliche Iteration mit herkömmlichen Methoden. Im Video sagt der Sprecher Michael, der Agent brauche für diese Arbeit weniger als eine halbe Stunde; zuvor hätte ihn die Arbeit eine Woche beschäftigt.
Warum Molekülvorschläge Laborarbeit nicht ersetzen
Die vorgeschlagenen Moleküle und Synthesewege sind rechnergestützte Entwürfe. Google DeepMind sagt, dass die Verbindungen zunächst synthetisiert und experimentell geprüft werden müssen. Als Grenzen der Vorhersagegenauigkeit nennt das Unternehmen spärliche Daten, Unterschiede zwischen Labormessungen und enge Messbereiche.
Ein Beispiel der Demonstration betrachtet die Cyclisierung von Molekülen. Google DeepMind beschreibt crizotinib mit fünf als wesentlich eingestuften drehbaren Bindungen und lorlatinib nach der Cyclisierung mit null effektiv drehbaren Bindungen. Die Angaben beziehen sich auf unterschiedliche Kategorien der Bindungszählung. In den untersuchten Molekülpaaren nahm die Wirkstärke nach Unternehmensangaben durch Cyclisierung im Allgemeinen zu.
