As habilidades de quimioinformática do Google Antigravity permitem consultar compostos recuperados e seus metadados, personalizar gráficos e exportar resultados para softwares químicos. A Google DeepMind descreve esses recursos como parte de um fluxo que também propõe moléculas; essas propostas ainda precisam ser sintetizadas e testadas em laboratório. A empresa apresentou as habilidades e o fluxo em 3 de novembro de 2026.
Na prática, o visualizador dá acesso aos registros usados na análise, em vez de limitar o pesquisador a um resumo em texto. Isso ajuda a examinar os dados e a transferir resultados para outras ferramentas, mas não substitui a validação experimental.
Um gráfico e seus dados podem ser inspecionados; uma molécula proposta ainda precisa passar pelo laboratório.
O que dá para inspecionar e exportar
A Google DeepMind descreve um visualizador interativo para navegar pelos compostos recuperados e pelos metadados associados a cada um. Os pesquisadores também podem criar gráficos de dispersão personalizáveis e exportar os resultados em formatos compatíveis com softwares químicos usados na indústria.
A interface da demonstração reúne quatro gráficos de análise. Eles ilustram como os resultados podem ser organizados para consulta, mas os gráficos, por si só, não validam as moléculas propostas.
Como o Antigravity coordena as etapas químicas
O modelo de linguagem coordena tarefas como navegar por bases de dados e organizar o fluxo de trabalho. Ferramentas determinísticas fazem os cálculos moleculares. A Google DeepMind cita o RDKit como base técnica e conexões com ChEMBL e PubChem.
Na demonstração, o sistema busca compostos na literatura científica, filtra registros e os organiza para análise. Depois, aplica a análise de pares moleculares correspondentes (MMPA), método que compara moléculas relacionadas por uma mudança estrutural definida. O fluxo também inclui modelos para estimar potência e propostas de macrociclos com possíveis rotas de síntese.
O que as avaliações e estimativas de tempo indicam
A Google DeepMind diz que avaliou diferentes arquiteturas e conjuntos de características em quatro resultados experimentais. A demonstração usa uma divisão por scaffold, que separa compostos conforme sua estrutura química central, para estimar o desempenho em moléculas fora do conjunto mais familiar ao modelo. A empresa diz que divisões cronológicas também podem ser usadas quando há datas disponíveis para os compostos.
As estimativas de duração variam conforme a descrição. O blog da Google DeepMind fala em cerca de uma hora para o fluxo demonstrado e afirma que uma iteração convencional costuma levar vários dias. No vídeo, o apresentador Michael diz que o agente levou menos de meia hora para “este trabalho” e compara o resultado com uma semana de trabalho anterior. Os escopos dessas estimativas não são especificados da mesma forma, portanto elas não compõem uma única medida padronizada.
Por que as moléculas propostas ainda precisam de experimentos
As moléculas e rotas de síntese sugeridas são projetos computacionais, não medicamentos validados. A Google DeepMind afirma que elas precisam ser sintetizadas e passar por validação experimental. A empresa também aponta dados escassos, diferenças entre resultados de ensaios feitos em laboratórios distintos e faixas de medição estreitas como fatores que limitam a precisão preditiva.
