Am 3. November 2026 kündigte Google DeepMind Cheminformatics Skills für Google Antigravity an. Sie sollen über das Science-Plugin Abläufe der Chemieinformatik koordinieren: Ein Sprachmodell übernimmt die Planung und das wissenschaftliche Schlussfolgern, während deterministische Chemiewerkzeuge die molekularen Berechnungen ausführen. Laut Google DeepMind waren die Skills ab dem Ankündigungstag über die Antigravity-App und das Plugin verfügbar.
Für Forschende stellte Google DeepMind außerdem eine bedingte Aktion in Aussicht: Bis zu 10.000 Wissenschaftlerinnen und Wissenschaftler könnten sechs Monate lang die höchste Antigravity-Nutzungsstufe kostenlos erhalten. Die Aufnahme erfolgt nach und nach und hängt von Berechtigung, verfügbaren Kapazitäten und Auswahl ab. Für Enterprise-Nutzer beschreibt Google DeepMind zusätzlich eine Anmeldung über „Use Business Account“ mit Google-Cloud-Zugangsdaten.
Sprachmodell und Chemiewerkzeuge übernehmen unterschiedliche Aufgaben
Das Sprachmodell soll den Arbeitsablauf steuern, Datenbanken durchsuchen und wissenschaftliche Überlegungen koordinieren. Für molekulare Berechnungen setzt Google DeepMind nach eigenen Angaben auf deterministische Chemiewerkzeuge. Als Grundlage nennt das Unternehmen RDKit sowie Verbindungen zu den kuratierten Ressourcen ChEMBL und PubChem.
Diese Aufgabenteilung ist der Kern des Ansatzes: Das Modell organisiert die Schritte, während die Chemiewerkzeuge die Berechnungen übernehmen. Die Demonstration umfasst Literaturrecherche, das Extrahieren und Zuordnen von Molekülen und Messdaten, das Aussortieren irrelevanter Treffer sowie eine Dokumentation der Quellen. Anschließend folgen Analysen, Potenzmodellierung und Vorschläge für Makrozyklen samt möglichen Synthesewegen.
Die Demonstration führt von der Literatursuche bis zur Potenzmodellierung
Google DeepMind berichtet, dass der Agent Tausende Verbindungen gefunden und 568 kuratierte Verbindungen in einem Dashboard zusammengestellt habe. Die Vorführung zeigt außerdem eine Matched Molecular Pair Analysis (MMPA), also den Vergleich verwandter Molekülpaare, sowie das Training und die Auswertung von Potenzmodellen.
Am Beispiel von Crizotinib und Lorlatinib beschreibt Google DeepMind eine Cyclisierung, die die Zahl drehbarer Bindungen verringern kann. Crizotinib habe in der betrachteten Struktur fünf wichtige drehbare Bindungen; bei Lorlatinib sinke die effektive Zahl nach der Cyclisierung auf null. In den untersuchten Molekülpaaren habe die Cyclisierung laut Unternehmen meist auch die Potenz erhöht. Das ist ein Ergebnis der beschriebenen Analyse, keine allgemeine Regel für andere Moleküle.
Der Datensplit sollte zur Vorhersageaufgabe passen
Google DeepMind beschreibt eine Auswertung mit zurückgehaltenen Daten. Wenn es die Daten zulassen, sollen zeitliche Splits zum Einsatz kommen; als weitere Möglichkeit nennt das Unternehmen Scaffold-Splits, bei denen Moleküle nach ihrem chemischen Gerüst aufgeteilt werden.
Die Wahl des Tests verändert, was sich aus einer Modellleistung ableiten lässt. Das IDHUS Institute weist allgemein darauf hin, dass sehr ähnliche Moleküle in Trainings- und Testdaten vor allem prüfen können, ob ein Modell zwischen verwandten Beispielen interpoliert. Soll es Vorhersagen für bislang unbekannte chemische Familien liefern, muss die Auswertung genau diese Übertragbarkeit prüfen.
Molekülvorschläge müssen im Labor geprüft werden
Die Skills können Makrozyklen und mögliche Synthesewege vorschlagen. Google DeepMind beschreibt etwa einen vorgeschlagenen, zwölfgliedrigen cyclischen Ether. Eine vorhergesagte Struktur oder Potenz ist jedoch noch kein synthetisiertes Molekül: Das Unternehmen nennt dünne Datengrundlagen, Messrauschen zwischen Laboren und enge Wertebereiche als Grenzen der Vorhersagegenauigkeit. Die vorgeschlagenen Designs müssen synthetisiert und experimentell validiert werden.
