Em 3 de novembro de 2026, o Google DeepMind anunciou as Cheminformatics Skills no Google Antigravity e disse que elas já estavam disponíveis pelo Science plugin. O fluxo descrito usa um modelo de linguagem para coordenar tarefas e ferramentas químicas determinísticas para fazer cálculos moleculares. As moléculas projetadas pelo sistema continuam sendo propostas que precisam de síntese e validação experimental, segundo o anúncio do Google DeepMind.
Acesso pelo Science plugin e oferta anunciada
O Google DeepMind orientou instalar o aplicativo Antigravity e o Science plugin. Para usuários Enterprise, descreveu também o acesso pela opção «Use Business Account», com credenciais do Google Cloud.
No anúncio, a empresa ofereceu o nível mais alto de uso do Antigravity gratuitamente por seis meses a até 10 mil cientistas. A adesão é gradual e depende de elegibilidade, capacidade e seleção; a oferta não equivale a acesso gratuito irrestrito.
Como o modelo e as ferramentas químicas dividem o trabalho
Na descrição do Google DeepMind, o modelo de linguagem organiza o fluxo, navega por bancos de dados e conduz o raciocínio científico. Ferramentas determinísticas executam os cálculos moleculares. A estrutura combina a flexibilidade do agente para percorrer etapas com ferramentas específicas para a parte computacional da química.
O Google DeepMind cita o RDKit como base de quimioinformática e conexões com as bases ChEMBL e PubChem. A demonstração percorre busca na literatura, extração e organização de moléculas e dados, filtragem de resultados irrelevantes e registro das fontes. Depois, aplica análise de pares moleculares correspondentes (MMPA), que compara moléculas relacionadas, e treina e avalia modelos de potência.
Da busca bibliográfica às moléculas propostas
No exemplo apresentado, o sistema procura compostos relacionados a crizotinib e lorlatinib. O Google DeepMind relata que a busca recuperou milhares de compostos e que o painel de análise reuniu 568 compostos selecionados. Esses números descrevem a demonstração da empresa.
O fluxo segue da curadoria para a análise das relações entre estruturas, a modelagem de potência e a proposta de macrociclos e possíveis rotas de síntese. No exemplo químico, o Google DeepMind descreve crizotinib com cinco ligações rotativas principais e lorlatinib com zero ligações rotativas efetivas após a ciclização. Nos pares analisados, a empresa relata que a ciclização geralmente reduziu as ligações rotativas e aumentou a potência.
A avaliação precisa corresponder à previsão pretendida
O Google DeepMind diz que avaliou modelos com dados reservados para teste e descreve divisões cronológicas quando as datas permitem, ou divisões por scaffold. Um scaffold é o arcabouço estrutural de uma molécula; separar os dados por esse critério ajuda a avaliar previsões para estruturas diferentes das usadas no treino.
O IDHUS Institute explica uma implicação metodológica: se compostos estruturalmente próximos aparecem tanto no treino quanto no teste, a avaliação pode medir sobretudo interpolação entre exemplos semelhantes. Para prever famílias químicas desconhecidas, a divisão precisa ser desenhada para testar essa generalização. Isso é uma orientação geral para avaliar modelos, não uma auditoria da demonstração do Google.
Desenhos computacionais ainda exigem validação experimental
Dados escassos, diferenças entre ensaios de laboratórios e faixas estreitas de valores limitam a precisão preditiva, segundo o Google DeepMind. A demonstração propõe estruturas e rotas de síntese, incluindo um éter cíclico de 12 membros. Esses resultados computacionais não substituem a síntese das moléculas nem os testes experimentais necessários para avaliar suas propriedades.
