Le 3 novembre 2026, Google DeepMind a annoncé ses Cheminformatics Skills pour Google Antigravity et les a présentés comme accessibles par le plug-in Science. Le flux décrit confie au modèle la coordination de la recherche et du raisonnement, et aux outils de chimie déterministes les calculs moléculaires. Les molécules conçues restent des propositions à synthétiser et à valider en laboratoire. L’annonce de Google DeepMind détaille les outils et les limites de la démonstration.
Un modèle orchestre, des outils exécutent les calculs
Selon Google DeepMind, le modèle de langage organise les étapes, navigue dans les bases de données et contribue au raisonnement scientifique. Des outils déterministes réalisent les calculs de chimie moléculaire. La suite s’appuie sur RDKit et se connecte à ChEMBL et PubChem.
Google DeepMind décrit l’installation de l’application Antigravity et du plug-in Science comme voie d’accès. Pour les utilisateurs Enterprise, l’entreprise mentionne une connexion avec un compte Google Cloud. Elle a aussi proposé le niveau d’utilisation le plus élevé d’Antigravity gratuitement pendant six mois à jusqu’à 10 000 scientifiques. L’inscription se fait par étapes et l’offre reste soumise à des critères d’éligibilité, aux capacités disponibles et à une sélection.
De la recherche bibliographique aux molécules proposées
Dans la démonstration, l’agent recherche des composés apparentés au crizotinib et au lorlatinib dans la littérature, extrait des molécules et leurs données, écarte des résultats sans pertinence, comme des solvants, et consigne les sources. Google DeepMind rapporte que le système a récupéré des milliers de composés et en a affiché 568 après curation.
Le flux passe ensuite par l’exploration des composés, l’analyse de paires moléculaires appariées (MMPA), l’entraînement et l’évaluation de modèles de puissance, puis la proposition de macrocycles et de voies de synthèse. Dans l’exemple de l’entreprise, le crizotinib compte cinq liaisons rotatives majeures; la cyclisation réduit à zéro le nombre de liaisons rotatives effectives indiqué pour le lorlatinib. Google DeepMind rapporte que la cyclisation augmente généralement la puissance dans les paires étudiées, un résultat lié à cet ensemble de molécules.
La démonstration officielle, présentée en anglais, parcourt les étapes de recherche, de curation et de modélisation :
Choisir un découpage selon la prédiction visée
Google DeepMind indique que ses modèles ont été évalués sur des données mises de côté et que les compétences peuvent utiliser des découpages chronologiques lorsque les dates le permettent, ou des découpages par structure moléculaire pour estimer leur capacité de généralisation. L’entreprise mentionne quatre mesures expérimentales dans son évaluation.
Le choix du découpage dépend de la question posée au modèle. L’IDHUS Institute souligne que si des molécules très proches se retrouvent à la fois dans l’entraînement et dans le test, l’évaluation peut surtout mesurer l’interpolation entre molécules apparentées. Pour prédire le comportement de familles chimiques inconnues, il faut concevoir un test qui réserve ces familles à l’évaluation. Ce principe méthodologique ne constitue pas une évaluation indépendante des modèles de Google.
Des structures proposées qui attendent le laboratoire
Google DeepMind cite la rareté des données, les écarts entre les essais menés dans différents laboratoires et les plages de mesure étroites parmi les facteurs qui limitent la précision prédictive. Une puissance calculée ou une voie de synthèse proposée ne remplace donc pas la synthèse du composé ni sa validation expérimentale.
La démonstration propose notamment un éther cyclique à 12 chaînons et une voie de synthèse. Google DeepMind précise que les conceptions doivent encore être synthétisées et validées expérimentalement.
