Google DeepMind beschrijft voor Google Antigravity een interactieve viewer waarin onderzoekers opgehaalde verbindingen en hun metadata kunnen bekijken, grafieken aanpassen en resultaten exporteren naar chemiesoftware. De Cheminformatics Skills coördineren ook analyses en voorstellen voor nieuwe moleculen, maar die ontwerpen moeten nog worden gesynthetiseerd en experimenteel getest.
Een analyse die je kunt bekijken en exporteren, is nog geen experimenteel geteste verbinding.
Wat onderzoekers kunnen bekijken en exporteren
De viewer maakt het mogelijk afzonderlijke verbindingen en bijbehorende metadata te bekijken en zelf spreidingsdiagrammen samen te stellen. Google DeepMind zegt ook dat resultaten in formaten kunnen worden geëxporteerd die geschikt zijn voor chemiesoftware die in de sector wordt gebruikt. Dat geeft onderzoekers toegang tot meer dan alleen een samenvatting van de agent: ze kunnen de getoonde gegevens verkennen en resultaten meenemen naar andere software.
[
]
Hoe Antigravity het cheminformatica-proces aanstuurt
Google DeepMind beschrijft een taakverdeling: het taalmodel coördineert stappen en navigeert door gegevensbronnen, terwijl deterministische chemietools de moleculaire berekeningen uitvoeren. De workflow gebruikt RDKit en verbindingen met ChEMBL en PubChem. De agent haalt verbindingen uit wetenschappelijke literatuur, helpt irrelevante resultaten te filteren en verzamelt gegevens voor verdere analyse.
Een van de methoden is matched molecular pair analysis (MMPA). Daarbij worden moleculen vergeleken die op een afgebakend deel van hun structuur van elkaar verschillen. In het voorbeeld van Google DeepMind worden ook potentiemodellen gebouwd en macrocyclische moleculen voorgesteld, met mogelijke syntheseroutes. Macrocycli zijn moleculen waarvan een deel van de structuur een ring vormt.
Wat de modeltests en tijdsclaims vertellen
Google DeepMind zegt modellen te hebben geëvalueerd op vier experimentele meetuitkomsten. Het bedrijf beschrijft een scaffold-splitsing om te beoordelen hoe modellen omgaan met verbindingen buiten de structuren die bij het trainen aan bod kwamen. Als er datumgegevens beschikbaar zijn, kunnen ook chronologische splitsingen worden gebruikt. Dat zijn onderdelen van de evaluatie die Google DeepMind beschrijft; ze vormen op zichzelf geen experimentele bevestiging van een voorgesteld molecuul.
De blog van Google DeepMind noemt voor de demonstratieworkflow ongeveer een uur. In de videodemonstratie zegt presentator Michael dat een agent voor „dit werk” minder dan een halfuur nodig heeft. De afbakening van die twee tijdsinschattingen is niet gelijkgetrokken. Google DeepMind beschrijft een gebruikelijke conventionele iteratie daarnaast als werk van meerdere dagen.
Waarom molecuulvoorstellen nog experimenten vereisen
Een potentiemodel schat hoe sterk een verbinding in een bepaalde test kan werken; het maakt van een voorstel geen getest geneesmiddel. Google DeepMind noemt schaarse gegevens, meetruis tussen laboratoria en beperkte meetbereiken als factoren die de voorspellende precisie beperken. De voorgestelde moleculen en syntheseroutes blijven computationele ontwerpen: voor beoordeling van een verbinding zijn synthese en experimentele validatie nodig.
