Google DeepMind kondigde op 3 november 2026 Cheminformatics Skills voor Google Antigravity aan en zei dat ze die dag beschikbaar waren via de Antigravity-app en de Science-plugin. Het model coördineert de workflow en het wetenschappelijk redeneren; deterministische chemische tools voeren de molecuulberekeningen uit. De demonstratie eindigt met voorgestelde moleculen, geen experimenteel gevalideerde resultaten. Google DeepMind beschrijft de functies en toegang.
Toegang via de Science-plugin
Om de skills te gebruiken, moeten onderzoekers volgens Google DeepMind de Antigravity-app en de Science-plugin installeren. Voor Enterprise-gebruikers beschreef het bedrijf daarnaast aanmelden met een Google Cloud-account.
Google DeepMind kondigde ook aan dat maximaal 10.000 wetenschappers zes maanden gratis toegang kunnen krijgen tot het hoogste gebruiksniveau van Antigravity. De aanbieding is afhankelijk van geschiktheid, capaciteit en selectie; deelnemers worden gefaseerd toegelaten.
Het model coördineert, chemische tools rekenen
Het taalmodel navigeert door databanken, ordent de stappen en ondersteunt het wetenschappelijk redeneren. Deterministische chemische tools voeren de moleculaire berekeningen uit. Google DeepMind noemt RDKit als onderliggende cheminformatica-toolkit en ChEMBL en PubChem als verbonden databronnen.
Die taakverdeling staat centraal in de demonstratie. De agent zoekt literatuur over verbindingen die verwant zijn aan crizotinib en lorlatinib, haalt moleculen en bijbehorende gegevens op, filtert irrelevante resultaten zoals buffers en oplosmiddelen en registreert bronnen. Daarna volgen onder meer matched molecular pair analysis (MMPA), het vergelijken van moleculen met gerichte structurele verschillen, en het trainen en evalueren van modellen voor potentie.
Google DeepMind rapporteerde dat de demonstratie duizenden verbindingen ophaalde en 568 gecureerde verbindingen in een dashboard toonde. Het bedrijf beschreef ook hoe de analyse van molecuulparen cyclisatie in de onderzochte gevallen doorgaans koppelde aan een hogere potentie en minder draaibare bindingen. Dat resultaat geldt voor de geanalyseerde paren, niet als algemene regel voor alle moleculen.
Een evaluatiesplit moet passen bij de voorspellingstaak
Google DeepMind zegt dat de modellen zijn geëvalueerd op achtergehouden gegevens en noemt vier experimentele uitlezingen. Het bedrijf beschrijft chronologische splits wanneer de gegevens dat toelaten, en scaffold-splits om de generaliseerbaarheid beter te beoordelen. Bij zo’n split worden verbindingen verdeeld op basis van hun chemische structuurkern.
De keuze bepaalt wat een evaluatie vertelt. Als nauw verwante moleculen zowel in de trainingsgegevens als in de testset voorkomen, kan een model vooral laten zien hoe goed het binnen bekende chemische families voorspelt. Het IDHUS Institute wijst er als algemene methodologische regel op dat voorspellingen voor onbekende families een evaluatie vereisen die juist die generalisatie toetst.
Voorgestelde moleculen vragen nog om laboratoriumvalidatie
In het voorbeeld beschrijft Google DeepMind crizotinib als een molecuul met vijf belangrijke draaibare bindingen. Bij lorlatinib, waarvan een deel is gecycliseerd, noemt het bedrijf nul effectieve draaibare bindingen. De demonstratie stelt ook macrocyclische ontwerpen en mogelijke syntheseroutes voor.
Google DeepMind noemt schaarse gegevens, meetruis tussen laboratoria en een smal bereik van meetwaarden als beperkingen voor de voorspellende precisie. De voorgestelde ontwerpen moeten eerst worden gesynthetiseerd en experimenteel gevalideerd voordat ze als werkzame moleculen kunnen gelden. De demonstratie levert dus een computationele route naar hypotheses, geen laboratoriumresultaat.
