Google DeepMind describe en las habilidades de quimioinformática de Google Antigravity un visor para consultar compuestos y metadatos, crear gráficos personalizables y exportar resultados a programas de química. Esos resultados incluyen propuestas moleculares que todavía requieren síntesis y validación experimental.
Poder revisar los registros y trasladar los resultados ayuda a seguir el análisis; una molécula propuesta aún tiene que pasar por el laboratorio.
Qué pueden revisar y exportar los investigadores
El visor interactivo permite explorar los compuestos recuperados y sus metadatos, y crear gráficos de dispersión a medida. Google DeepMind también describe la exportación de resultados en formatos compatibles con software de química habitual. El 3 de noviembre de 2026, la empresa anunció las habilidades y dijo que se accedía a ellas mediante el Science plugin de Antigravity. Google DeepMind explica las funciones del visor y la exportación.
La demostración presenta un panel con cuatro gráficos de análisis. Consultar compuestos y metadatos permite examinar los elementos que el visor reúne; los gráficos sirven para explorar sus relaciones y la exportación facilita llevar los resultados a otros programas de química.
Cómo se organiza el trabajo químico
El modelo de lenguaje coordina la búsqueda bibliográfica, la navegación por bases de datos y el razonamiento científico. Herramientas deterministas realizan los cálculos moleculares: son operaciones químicas definidas, no respuestas generadas solo como texto. La empresa señala RDKit como base de las herramientas y menciona conexiones con ChEMBL y PubChem.
El flujo descrito extrae y ordena compuestos de la literatura y, después, permite analizarlos. Entre las técnicas figura el análisis de pares moleculares emparejados (MMPA), que compara moléculas similares con un cambio estructural definido. En el ejemplo de Google DeepMind, la ciclación se asocia con un aumento general de potencia en los pares analizados. La empresa compara crizotinib, con cinco enlaces rotatorios principales, con lorlatinib, descrito con cero enlaces rotatorios efectivos tras la ciclación.
También se muestran modelos predictivos de potencia y propuestas de macrociclos con posibles rutas de síntesis. La demostración de Google Antigravity recorre estas etapas en inglés.
Qué dicen las evaluaciones y las estimaciones de tiempo
Google DeepMind afirma que evaluó modelos con cuatro resultados experimentales y empleó una división por estructura molecular para estimar su rendimiento fuera de los casos más parecidos a los usados en el entrenamiento. La empresa señala que puede usar divisiones cronológicas cuando dispone de fechas para los compuestos.
Las estimaciones de duración se refieren a tareas descritas de manera distinta. El blog de Google DeepMind calcula alrededor de una hora para el flujo de trabajo de la demostración y dice que una iteración convencional suele llevar varios días. En el vídeo, el presentador Michael afirma que el agente tardó menos de media hora en ese trabajo, frente a una semana en su proceso anterior. Las descripciones no precisan los mismos límites de la tarea.
Por qué las moléculas propuestas aún necesitan experimentos
Las moléculas y las rutas de síntesis que propone el sistema son hipótesis computacionales. Google DeepMind dice que hay que sintetizarlas y validarlas experimentalmente antes de saber si funcionan. La empresa también señala que los datos escasos, las diferencias entre ensayos de distintos laboratorios y los rangos de medición estrechos limitan la precisión de las predicciones. La salida del modelo, por tanto, es una propuesta para estudiar en el laboratorio, no un medicamento validado.
