Les compétences de chimio-informatique de Google Antigravity permettent, selon Google DeepMind, de parcourir des composés et leurs métadonnées, de créer des nuages de points personnalisés et d’exporter les analyses vers des logiciels de chimie. Annoncées le 3 novembre 2026 et accessibles via le Science plugin, elles coordonnent plusieurs étapes de recherche. Les molécules proposées doivent encore être synthétisées et testées en laboratoire. Google DeepMind présente le fonctionnement de ces compétences.
Ce que les chercheurs peuvent consulter et exporter
Le visionneur interactif décrit par Google DeepMind permet de parcourir les composés récupérés et leurs métadonnées, puis de représenter des relations dans des graphiques personnalisables. L’entreprise indique aussi que les résultats peuvent être exportés vers des logiciels de chimie utilisés dans le secteur. Ces fonctions donnent accès aux données et facilitent leur transfert; elles ne remplacent pas l’examen scientifique des résultats.
Comment les compétences coordonnent le travail chimio-informatique
Le modèle de langage coordonne le flux, navigue dans les bases de données et apporte le raisonnement scientifique. Des outils chimiques déterministes effectuent les calculs moléculaires. Google DeepMind cite RDKit pour les opérations de chimio-informatique, ainsi que des connexions à ChEMBL et PubChem.
Le flux présenté extrait des composés de la littérature scientifique, filtre les résultats et les organise pour l’analyse. Il comprend aussi une analyse de paires moléculaires appariées, ou MMPA : cette méthode compare des molécules qui diffèrent par une modification structurelle définie. Le système construit ensuite des modèles de puissance et propose des macrocycles, parfois accompagnés de voies de synthèse possibles.
Dans son exemple, Google DeepMind compare le crizotinib, décrit avec cinq liaisons rotatives majeures, au lorlatinib, présenté après cyclisation avec zéro liaison rotative effective. Ces deux nombres correspondent à des catégories différentes. L’entreprise rapporte également une hausse générale de la puissance dans les paires moléculaires analysées après cyclisation, sans en faire une règle valable pour toutes les molécules.
Ce que les évaluations et les durées indiquent
Google DeepMind dit avoir évalué des modèles sur quatre mesures expérimentales. La démonstration utilise notamment une séparation par échafaudage, c’est-à-dire par structure moléculaire de base, pour estimer les performances sur des molécules différentes de celles utilisées pour l’entraînement. Une séparation chronologique peut aussi être utilisée lorsque les dates des composés sont disponibles.
Les durées avancées par l’entreprise ne décrivent pas clairement le même périmètre : son billet estime la démonstration à environ une heure, tandis que le présentateur Michael parle de moins d’une demi-heure pour le travail montré dans la vidéo. Google DeepMind indique qu’une itération conventionnelle prend généralement plusieurs jours. Ces estimations décrivent la démonstration de l’entreprise, pas un essai comparatif normalisé.
Un composé proposé par le calcul reste une hypothèse jusqu’à sa synthèse et à sa validation expérimentale.
Pourquoi les molécules proposées nécessitent encore des expériences
Les macrocycles et les voies de synthèse suggérés sont des pistes de calcul, pas des médicaments validés. Google DeepMind précise que les composés doivent être synthétisés puis testés expérimentalement. L’entreprise cite aussi la rareté des données, les écarts entre les essais de différents laboratoires et les plages de mesure étroites parmi les limites qui réduisent la précision des prédictions. Elle indique que les résultats peuvent être exportés vers des logiciels de chimie établis pour poursuivre l’analyse.
