Google DeepMind ogłosiło 3 listopada 2026 r. zestaw Cheminformatics Skills dla Google Antigravity. Firma opisała przepływ pracy, w którym model językowy koordynuje zadania i analizę, a obliczenia molekularne wykonują deterministyczne narzędzia chemiczne. W demonstracji system wyszukuje związki, modeluje ich aktywność i proponuje makrocykle; projekty te wymagają jeszcze syntezy i walidacji eksperymentalnej. Google DeepMind przedstawiło narzędzia i ich działanie.
Firma podała, że dostęp do Cheminformatics Skills wymaga aplikacji Antigravity i wtyczki Science. Dla użytkowników Enterprise opisała logowanie przez „Use Business Account” z użyciem danych Google Cloud. Osobno ogłosiła, że do 10 000 naukowców może otrzymać najwyższy poziom użycia Antigravity bez opłat przez sześć miesięcy. Oferta zakłada stopniowe wdrażanie i zależy od kwalifikacji, dostępnych miejsc oraz selekcji.
Jak model i narzędzia dzielą pracę
Według Google DeepMind model językowy zajmuje się koordynacją przepływu pracy, nawigacją po bazach danych i rozumowaniem naukowym. Obliczenia dotyczące cząsteczek przekazuje narzędziom chemicznym, których wyniki są deterministyczne. Firma wymienia RDKit jako zestaw narzędzi do chemoinformatyki oraz połączenia z bazami ChEMBL i PubChem.
W chemoinformatyce analiza dopasowanych par molekularnych (MMPA) pozwala porównywać podobne związki różniące się określoną zmianą strukturalną. W przykładzie Google DeepMind taki przepływ pracy prowadzi od wyszukiwania literatury do analizy związków, budowania modeli potencji i projektowania nowych struktur.
Od literatury naukowej do modelowania związków
Demonstracja obejmuje wyszukiwanie publikacji o związkach związanych z crizotinibem i lorlatinibem, wydobywanie cząsteczek i przypisanych im danych, filtrowanie zbędnych wyników, takich jak bufory i rozpuszczalniki, oraz zapisywanie źródeł. Google DeepMind podaje, że system pobrał tysiące związków, a na pulpicie pokazał 568 skuratorowanych związków. Następne etapy to analiza MMPA, trenowanie i ocena modeli potencji oraz propozycje makrocykli i możliwych dróg ich syntezy.
Podział danych powinien odpowiadać zadaniu predykcyjnemu
Google DeepMind opisuje ocenę modeli na danych odłożonych do testów, obejmującą cztery odczyty eksperymentalne. Gdy dostępne są daty, firma wskazuje podział chronologiczny; jako inną możliwość wymienia podział według szkieletu chemicznego, określany jako scaffold split.
Wybór takiego podziału ma znaczenie dla tego, jakie predykcje badacz chce później uzyskać. Jeśli blisko spokrewnione cząsteczki trafiają zarówno do danych treningowych, jak i testowych, wynik może przede wszystkim mierzyć interpolację, czyli przewidywanie dla struktur podobnych do już poznanych. IDHUS Institute zwraca uwagę, że przewidywanie dla nieznanych rodzin chemicznych wymaga oceny zaprojektowanej właśnie pod kątem takiej generalizacji. To ogólna wskazówka metodologiczna, nie ocena modeli Google.
Proponowane cząsteczki wymagają walidacji w laboratorium
W przykładzie Google DeepMind crizotinib opisano jako związek z pięcioma głównymi wiązaniami rotowalnymi, a lorlatinib po cyklizacji jako mający zero efektywnych wiązań rotowalnych. W analizowanych parach firma zaobserwowała, że cyklizacja na ogół wiązała się ze wzrostem potencji. To wynik dotyczący przedstawionej analizy, a nie reguła dla dowolnych cząsteczek.
Google DeepMind wskazuje, że skąpe dane, różnice w wynikach oznaczeń między laboratoriami oraz wąskie zakresy pomiarów ograniczają precyzję predykcji. Proponowany makrocykl lub droga syntezy pozostają więc projektem obliczeniowym. Firma zaznacza, że każdy taki projekt wymaga syntezy i walidacji eksperymentalnej.
