Google DeepMind ha annunciato il 3 novembre 2026 le Cheminformatics Skills per Google Antigravity e le ha dichiarate disponibili tramite l’app Antigravity e il plugin Science. Il flusso descritto affida al modello linguistico il coordinamento delle attività e il ragionamento, mentre strumenti chimici deterministici eseguono i calcoli molecolari. Le molecole progettate dal sistema restano proposte computazionali da sintetizzare e verificare in laboratorio.
L’annuncio prevede anche che fino a 10.000 scienziati possano ricevere gratuitamente per sei mesi il livello d’uso più alto di Antigravity. L’offerta dipende da requisiti di idoneità, capacità e selezione; l’attivazione avviene progressivamente. Per l’accesso Enterprise, Google DeepMind descrive l’opzione «Use Business Account» con credenziali Google Cloud. L’annuncio di Google DeepMind non specifica condizioni riservate all’Italia.
Come si dividono il lavoro modello e strumenti chimici
Nella descrizione di Google DeepMind, il modello linguistico coordina il flusso di lavoro, la consultazione delle banche dati e il ragionamento scientifico; gli strumenti deterministici svolgono i calcoli molecolari. Le Cheminformatics Skills si basano su RDKit e si collegano alle risorse curate ChEMBL e PubChem.
La divisione è utile per capire cosa fa ciascun componente: il modello organizza i passaggi e guida l’analisi, mentre i calcoli vengono affidati a strumenti chimici specifici. La dimostrazione segue questo schema dalla ricerca bibliografica fino alla modellazione della potenza e alla proposta di nuove strutture.
Dalla letteratura ai composti selezionati
Nel flusso mostrato, l’agente cerca nella letteratura composti legati a crizotinib e lorlatinib, estrae molecole e dati, filtra risultati irrilevanti come solventi e tamponi e registra le fonti. Google DeepMind riferisce che il sistema ha recuperato migliaia di composti e ne ha presentati 568 come selezionati in un dashboard.
Dopo la selezione, la dimostrazione passa all’analisi di coppie molecolari appaiate (MMPA), alla costruzione e valutazione di modelli di potenza e alla progettazione di macrocicli con possibili percorsi di sintesi. Google DeepMind riferisce che l’analisi delle coppie considerate ha associato la ciclizzazione a meno legami rotabili e, in generale, a una maggiore potenza. Nell’esempio dell’azienda, crizotinib è descritto con cinque legami rotabili principali; lorlatinib, dopo ciclizzazione, con zero legami rotabili effettivi. Il risultato riguarda le coppie analizzate, non una regola valida per ogni molecola.
La valutazione dipende dalle molecole che si vogliono prevedere
Google DeepMind afferma di aver valutato i modelli su dati tenuti da parte e descrive l’uso di suddivisioni cronologiche quando possibile o, in alternativa, di suddivisioni per scaffold, cioè per impalcatura molecolare. La dimostrazione comprende quattro misure sperimentali, ma non riporta punteggi che consentano di confrontare le prestazioni dei modelli.
La scelta dello split va collegata alla previsione che si vuole fare. L’IDHUS Institute osserva, come principio metodologico generale, che includere composti strutturalmente vicini sia nei dati di addestramento sia in quelli di test può misurare soprattutto l’interpolazione. Se l’obiettivo è prevedere il comportamento di famiglie chimiche mai incontrate, la valutazione deve invece mettere alla prova proprio questa capacità di generalizzare.
Le molecole progettate restano ipotesi da verificare
La dimostrazione include macrocicli proposti e possibili percorsi di sintesi, fra cui un etere ciclico a 12 membri. Google DeepMind segnala che dati scarsi, differenze fra le misurazioni dei laboratori e intervalli di valori ristretti limitano la precisione predittiva. Per valutare una molecola proposta servono la sintesi e la validazione sperimentale.
La dimostrazione ufficiale di Google Antigravity, in inglese, illustra i passaggi dalla ricerca dei composti alla loro analisi e alla proposta di nuovi macrocicli.
