Google DeepMind opisuje w Google Antigravity interaktywny podgląd, w którym badacze mogą przeglądać związki chemiczne i ich metadane, tworzyć własne wykresy punktowe oraz eksportować wyniki do oprogramowania chemicznego. Narzędzia chemoinformatyczne łączą wyszukiwanie i porządkowanie danych z analizą cząsteczek, ale proponowane projekty nadal wymagają syntezy i badań laboratoryjnych (opis Google DeepMind).
Podgląd pomaga sprawdzić, jakie dane zebrano i jak je zestawiono; dopiero synteza i eksperyment sprawdzają zaproponowaną cząsteczkę.
Co badacze mogą przeglądać i eksportować
Podgląd pozwala przechodzić od opisu wygenerowanego przez agenta do poszczególnych zebranych związków i powiązanych z nimi metadanych. Badacze mogą też dostosowywać wykresy punktowe, by oglądać zależności między wybranymi właściwościami, a wyniki eksportować w formatach przeznaczonych do użycia w standardowych programach chemicznych.
Taki sposób pracy daje dostęp do danych i ich wizualizacji, a eksport ułatwia przekazanie wyników do kolejnych narzędzi. Sam podgląd nie zastępuje jednak oceny naukowej ani eksperymentalnego sprawdzenia cząsteczki.
Jak Antigravity koordynuje analizę chemiczną
W opisanym przepływie model językowy koordynuje zadania, porusza się po bazach danych i wspiera rozumowanie naukowe, a narzędzia chemiczne wykonują obliczenia molekularne. Google DeepMind wymienia RDKit oraz połączenia z zasobami ChEMBL i PubChem.
Agent wyszukuje związki w literaturze naukowej, odrzuca niepasujące rekordy i porządkuje dane. Następnie może wesprzeć analizę dopasowanych par molekularnych (MMPA), czyli porównywanie par cząsteczek różniących się określoną zmianą strukturalną. Opisany przepływ obejmuje też modelowanie aktywności oraz propozycje makrocykli i możliwych dróg ich syntezy.
Co mówią wyniki modeli i deklaracje czasu
Google DeepMind opisuje testowanie modeli na czterech eksperymentalnych miarach. W demonstracji zastosowano podział według szkieletu cząsteczki, by ocenić działanie modelu poza strukturami wykorzystanymi do jego przygotowania; gdy dostępne są daty związków, firma wskazuje także możliwość podziału chronologicznego.
Blog Google DeepMind podaje, że pokazany przepływ zajął około godziny. Prezenter w oficjalnym filmie mówi natomiast, że agent potrzebował mniej niż pół godziny na „tę pracę”. To dwie odrębne deklaracje firmy: ich zakresy nie są określone w ten sam sposób.
Dlaczego proponowane cząsteczki wymagają eksperymentów
Makrocykle i drogi syntezy proponowane przez agenta są projektami obliczeniowymi. Google DeepMind wskazuje, że trzeba je najpierw zsyntetyzować, a następnie sprawdzić eksperymentalnie. Firma wymienia też ograniczenia predykcji: skąpe dane, różnice między pomiarami wykonywanymi w różnych laboratoriach oraz wąskie zakresy pomiarowe.
Wyniki pomagają wskazać cząsteczki do dalszej pracy, lecz same nie rozstrzygają, czy proponowany związek da się otrzymać ani jak zachowa się w eksperymencie.
