Google Antigravity 发布化学信息学技能,加速药物发现工作流

原标题:Agentic cheminformatics with Google Antigravity
68AI 研判分

Google Antigravity 推出新的化学信息学技能,旨在通过智能体自动化处理复杂数据与模型训练。该方案在肺癌治疗案例中展示了将数天的药物迭代周期缩短至一小时的能力,显著提升了候选分子设计与合成路线规划的效率。

报道正文

本文目录4 个章节

2026 年 11 月 3 日 科学

基于 Google Antigravity 的智能体化化学信息学

Zoi Tsangalidou, Ruijie (Kelly) Zhang, Sukhdeep Singh 和 Michael V. LeVine

在 Google Antigravity 中探索科学工作流

设计新药需要从图表、图片和文献中整理复杂数据,训练预测模型,并提出候选分子进行合成——这一工作流通常单次迭代就需要数天时间。

在此,我们展示 Google Antigravity 如何借助我们全新的化学信息学技能(Cheminformatics Skills)加速药物发现工作流。以真实的肺癌治疗为例,智能体在一小时内即可搜索数千种化合物,执行匹配分子对分析,并提出具有合成路线的新型刚性化大环化合物。

化学是科学界最丰富的公共记录之一*——*涵盖期刊文章和供应商目录中的数百万种结构。它提供了一种通用的表征方式,将物理学和数学与生命科学及环境科学联系起来。分子及其转化无处不在,塑造着我们的日常世界。

尽管化学信息学已取得数十年的进步,但化学家仍花费过多时间在数据整理上,而这一过程因分子可以有多种表征方式而变得复杂:从文本描述到图像或数据结构。同一分子可能在论文中以 IUPAC 名称出现,在专利中以 Markush 结构 呈现,或在目录中以结构数据文件(SDF)形式存在。先进的化学信息学系统必须能够统一这些来源,并处理其中可能出现的各种错误。这项任务不容许任何差错——改变单个原子或键,就会描述出完全不同的化合物,使有前景的抑制剂或催化剂失效。

为了让科学家专注于假设而非数据整理,我们为 Google Antigravity 构建了一套 化学信息学技能,将其打造为一个协作式科学工作台,为计算化学家和实验台化学家提供对本地工具的完全访问权限。

这些技能还构建了一种分工模式:底层语言模型负责工作流编排、数据库导航和科学推理,而确定性的化学工具则执行分子计算。基于 RDKit——这一由全球社区贡献者历时二十多年开发的基础开源化学信息学工具包,并结合与 ChEMBL 和 PubChem 等精选资源的连接器,这些技能将领域最佳实践直接编码到智能体的工作流中。

刚性化柔性分子

在这篇技术详解中,我们将重点介绍一种经典的药物化学技术,以提高药物的效力:刚性化(rigidification)。

药物分子可能非常复杂,通常通过可旋转键连接多个子结构。这些键使分子能够扭曲成多种三维形状(构象),从而在溶液中呈现“柔性”状态。然而,为了结合其靶点,柔性分子必须锁定为单一的活性形状。失去这种运动自由度会带来熵罚(entropic penalty),从而削弱结合亲和力并降低效力。

为解决这一问题,药物化学家通常通过添加新键来使分子刚性化。由单个可旋转键连接的两个子结构可以扭曲成多种构象,但添加第二个键将它们绑定在一起会显著限制它们在三维空间中的运动方式。通过将该键放置在正确的位置,化学家可以将分子锁定为结合靶点所需的精确形状。这种策略通常被称为“预先支付熵成本”,它可以显著提升效力。

在这里,我们将聚焦于一个成功的刚性化知名案例。药物克唑替尼(crizotinib)是一种第一代小分子酪氨酸激酶抑制剂(TKI),用于治疗某些类型的非小细胞肺癌。在克唑替尼中,有五个主要的可旋转键。洛拉替尼(lorlatinib)是一种第三代小分子 TKI,结构与克唑替尼相似,但其末端经过环化处理,将有效可旋转键的数量减少至零,从而在其他效果之外提高了效力。

您的浏览器不支持 video 标签。

协作智能

我们将要求智能体在文献中检索这些药物及其类似物。借助 Antigravity 中的化学信息学技能,智能体能够从这些文档中提取分子,将其与报告的数据关联起来,并为下游分析准备化合物。

一个干净、浅色主题用户界面中的文本输入框图像。输入框中包含一个提示,要求在学术和专利文献中搜索克唑替尼(crizotinib)和洛拉替尼(lorlatinib)系列的大环及开链化合物。左下角的下拉菜单显示已选择“Gemini 1.5 Flash”。

深色用户界面文本框,显示请求搜索与克唑替尼和洛拉替尼相关的大环及开链化合物的文献的提示,底部选中了“Gemini 3.8 Flash”。

几分钟内,智能体便检索出数千种化合物,过滤掉无关分子(如缓冲液和溶剂),并在报告中记录其来源。该报告还提供了对检索到的化合物集的初步分析:例如,指出大环化合物大多被预测具有脑渗透性,鉴于目标肺癌常发生脑转移,这是一项重要特性。

Google Antigravity 用户界面,左侧显示基于聊天的助手,右侧显示数据仪表板。仪表板包含四个图表,分别可视化了 568 种精选化合物的化学空间、中枢神经系统(CNS)适宜性、构象刚性和效力分布。

为了进行更深入的探索,智能体启动了一个交互式查看器,展示精选化合物、其相关数据以及可自定义的散点图。例如,将效力与可旋转键数量作图,并按大环状态着色,可以立即揭示像洛拉替尼这样的大环化合物往往具有更少的可旋转键和更高的效力。最终,我们设计这些技能不仅是为了扩展智能体的化学能力,也是为了实现无缝的人机协作。

您的浏览器不支持视频标签。

在交互式查看器中,科学家可以浏览从文献中检索到的所有化合物,点击单个分子以检查其元数据,并绘制数据集中的关系图。例如,将细胞效力与可旋转键数量进行对比绘图,并按大环状态着色,清晰地显示效力最高的化合物刚性最强。

在下载并整理所有数据后,该智能体能够执行更高级的分析,以支持计算化学家的工作。作为下一步,我们将进行匹配分子对分析(Matched Molecular Pair Analysis, MMPA),这是一种在药物化学中用于分离分子微小、离散变化影响的技术,通过比较仅在该变化上不同的分子对来实现。该智能体也独立提出了这一分析建议,因为我们预期数据集中包含许多具有信息量的分子对。我们还将要求智能体利用其分子机器学习能力构建一个预测模型。

匹配分子对分析(MMPA)比较了许多仅在是否成环方面存在差异的分子对。分析结果显示,正如预期的那样,成环减少了可旋转键的数量,同时通常提高了效力。该智能体还使用不同的特征集和模型架构构建了大量的效力模型,并在保留测试集上进行了验证。这些技能为智能体提供了如何最佳地构建分子机器学习模型的指导——例如,当可用时,智能体通常会使用时间序列划分(chronological splits),即基于较旧的化合物训练以预测较新的化合物;但在需要更好地估计泛化能力时,它可以退而采用骨架划分(scaffold splits)。

一个文本输入界面,显示向 Gemini 3.8 Flash 提出的提示,要求进行匹配分子对分析和效力预测模型构建。

一个深色主题的聊天界面,显示用户提示要求执行匹配分子对分析并构建与大环化相关的效力预测模型,其中选择了 'Gemini 3.8 Flash' 作为模型。

blog__antigravity_science__figure__05 (1)

该智能体在四种不同的实验读出指标上,对具有不同特征集的多种机器学习架构进行了基准测试,并采用 scaffold split(骨架拆分)方法以更好地评估模型在分布外数据上的性能。结合统计与可视化输出,科学家可以评估模型表现,随后与智能体协作进行迭代优化。

最后,我们要求智能体基于其学习成果设计新的、改进的大环化合物,它推荐了涉及不同化合物的多种反应及合成路线。智能体可以为这些化合物做好准备,以便通过 AlphaFold 或分子动力学模拟等基于物理的技术进行进一步分析。

A screenshot of a chat prompt interface for Gemini 3.8 Flash, featuring a text input asking to design new, improved macrocycles, including suggestions for functionalized precursors and cyclization reactions.

A screenshot of a dark-themed user interface showing a text prompt box that asks to design new, improved macrocycles, suggest functionalized precursors, and the cyclization reaction. The box features options at the bottom, including a dropdown labeled 'Argon' and a microphone icon.

这项技能为智能体配备了操作和验证反应所需的工具,能够生成曲线箭头电子推动图(curved arrow electron pushing diagrams),并从公共数据库中查找类似反应。智能体结合自身知识以及此前开发的 MMPA(匹配分子配对分析)和效力预测模型,生成了一些有趣的设计方案,解释了其药物化学原理,并提出了符合已记录程序的潜在合成路线。此外,它还利用在前一轮对话中训练的模型来预测每个设计的效力。

展示 LOR-PRE-3 转化为 12 元环醚 LOR-DES-3 的分子内反应机理的化学设计界面截图。

该智能体能够在提出新的合成方案时进行化学推理。在此示例中,智能体提出了一个环化反应,并为科学家提供了电子推动图以展示其反应机理。

完成分析后,结果可以导出为多种格式,以便直接加载到众多行业标准化学软件包中。

与此同时,了解这些工具的局限性也至关重要。数据稀疏、实验室间检测噪声以及狭窄的动态范围限制了即使是最强大模型的预测精度;计算设计的产物仅是可验证的假设,而非成品药物。借助 Antigravity 中的化学信息学技能(Cheminformatics Skills),药物发现科学家可以更快速地生成支持度更强的设计假设,但每一个提出的设计方案都必须经过实验合成与验证。

研究人员做出具有科学意义决策的速度正在加快。不久之前,此处演示的工作流程需要数天时间,并且要求具备深厚的计算专业知识。将 Antigravity 作为科学工作台使用,可以让计算化学家和实验化学家加速他们的工作流程,从而专注于真正关键的问题。

致谢

化学信息学技能现已在 Google Antigravity 上提供。请下载 Antigravity App 并安装 Science 插件,即可开始使用这些技能。在此处探索科学用例。

作为企业用户,您今天也可以在 Antigravity 上开始使用化学信息学功能:选择“使用商业账户”(Use Business Account),并使用您的 Google Cloud 凭据登录应用。

为了进一步加快研究步伐,我们向 10,000 名科学家免费提供 Google Antigravity 的最高使用层级,为期 6 个月(滚动式接入),具体取决于资格、容量和筛选结果。申请通道现已开放。

我们要感谢以下团队成员的贡献:Filip Radlinski、Artem Sobolev、Victoria Johnston、Hannah Kiely-Collins**,** Zachary Wu、Jue Wang、Jack Dunger、Adriana Fernandez Lara、Ngân Vũ、Doug Fritz、Yunhan Xu、Sebastian Nowozin、Pushmeet Kohli。