← 文章 / AI技术
DeepMind 博客 18天前 · 2026-11-04 01:46:01 · 22 阅读

用 Google Antigravity 打造智能体化学信息学:一小时内完成药物分子设计

设计新药需要从图表、数据图和文献中整理海量复杂数据,训练预测模型,并提出候选分子以供合成——通常仅一次迭代就需要耗费数天时间。

在这里,我们展示了配备新推出的化学信息学技能的 Google Antigravity 如何加速药物研发流程。通过实际肺癌治疗案例,该智能体在短短一小时内搜索数千种化合物,执行匹配分子对分析,并提出具有合成路径的新型刚性大环分子。

化学是科学领域最丰富的公开记录之一——涵盖了数百万个存在于期刊文章和供应商目录中的分子结构。它提供了一个通用表征体系,将物理、数学与生命及环境科学联系在一起。分子及其转化过程无处不在,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展,但化学家仍花费大量时间处理数据,这一过程因分子存在多种表征方式而变得复杂:从文本描述到图像或数据结构。同一分子在论文中可能显示为 IUPAC 名称,在专利中可能为 Markush 结构式,在目录中则是结构数据文件(SDF)。高级化学信息系统必须能够整合这些来源,并应对其中产生的各类错误。这项任务不容有失——只需改变一个原子或化学键,描述的就成了完全不同的化合物,从而使原本有前景的抑制剂或催化剂失去活性。

为了让科学家专注于提出假设而非处理数据,我们为 Google Antigravity 打造了一整套化学信息学技能,将界面转变为一个协作科学工作台,既可供计算化学家使用,也可供实验化学家使用,并能全面访问本地工具。

这些技能还形成了一种分工机制: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。这些技能以 RDKit 为基础——这是一个开源化学信息学基础工具包,由全球贡献者社区开发了二十多年——并结合了来自 ChEMBL 和 PubChem 的精选数据资源接口,将领域最佳实践直接融入 agent 的工作流程中。

让柔性分子变刚

在本技术演示中,我们重点介绍一种经典的药物化学技术,用于提升药物效力:刚性化。

药物分子结构可能很复杂,往往通过可旋转键连接多个子结构。这些化学键让分子能扭转成多种三维构象,在溶液中显得很“柔软”。但要与靶点结合,柔性分子必须锁定为唯一的活性构象。失去这种运动自由度会带来熵罚,削弱结合亲和力、降低药效。

为解决这个问题,药物化学家通常通过添加新化学键来使分子刚性化。由单根可旋转键连接的两个子结构可以扭转出大量构象,但如果再加一根化学键把它们连在一起,就能大幅限制它们在三维空间中的运动。只要把新化学键放在合适的位置,化学家就能把分子锁定为结合靶点所需的精确构象。这种策略常被称为“提前支付熵成本”,能显著提升药效。

这里我们以一个著名的刚性化成功案例为例。药物 crizotinib 是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。crizotinib 有五根主要的可旋转键,而 lorlatinib 是结构与它相似的第三代小分子 TKI,其末端经过了环化处理,将有效可旋转键数量降为零,从而带来了药效提升等多种效果。

Your browser does not support the video tag. Your browser does not support the video tag.

协同智能

我们让 agent 检索相关药物及其类似物的文献资料。借助 Antigravity 中的 Cheminformatics 技能,agent 能够提取这些文献中的分子,将其与文中报道的数据进行关联,并为后续分析做好准备。

An image showing a text input box in a clean, light-themed user interface. The input box contains a prompt asking to search academic and patent literature for macrocyclic and acyclic compounds in the crizotinib and lorlatinib series. A dropdown menu at the bottom-left shows "Gemini 1.5 Flash" selected. A dark user interface text box displaying a prompt requesting a literature search for macrocyclic and acyclic compounds related to crizotinib and lorlatinib, with "Gemini 3.8 Flash" selected at the bottom.

在几分钟内,agent 便检索到数千个化合物,过滤掉无关分子(如缓冲液和溶剂),并在报告中记录了数据来源。报告还对检索到的化合物集合进行了初步分析,例如指出大多数大环化合物具有较好的血脑屏障穿透性,而这一点至关重要,因为肺癌靶点常发生脑转移。

Google Antigravity user interface displaying a chat-based assistant on the left and a data dashboard on the right. The dashboard features four charts visualizing chemical space, CNS desirability, conformational rigidity, and potency distributions for 568 curated compounds.

为了进行更深入探索,agent 启动了一个交互式查看器,展示经过筛选的化合物及其相关数据,并支持自定义散点图。例如,绘制效力与可旋转键数量的关系图(按是否含大环着色),可以直观发现 lorlatinib 等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拓展 agent 的化学分析能力,更是为了实现用户与 agent 的无缝协作。

Your browser does not support the video tag. Your browser does not support the video tag.

在交互式查看器中,科学家可以浏览文献中检索到的所有化合物,点击单个分子查看其元数据,并对数据集进行各种关系绘图。例如,将细胞活性与可旋转键数量作图并按大环状态着色后,可以清楚地看到活性最高的化合物刚性也最强。

下载并整理好所有数据后,agent 就能进行更高级的分析,为计算化学家的工作提供支持。下一步,我们将进行匹配分子对分析(matched molecular pair analysis),这是药物化学中常用的一种技术:通过比较仅在某处存在差异的分子对,来分离分子微小离散变化所带来的影响。这个分析也是 agent 自己主动提出的,因为预计该数据集中包含许多有价值的分子对。我们还会让 agent 利用它的分子机器学习能力构建预测模型。

匹配分子对分析(MMPA)比较了大量仅在是否成环上有差异的分子对。结果显示,环化会减少可旋转键的数量,同时通常能提高活性,这与预期一致。agent 还使用不同的特征集和模型架构构建了大量活性预测模型,并在保留数据集上进行了验证。技能(skills)为 agent 提供了如何最优构建分子机器学习模型的指导——例如,在有时间信息可用时,agent 通常会采用按时间顺序划分数据集的方式,用较老的化合物训练来预测较新的化合物;在无法这样划分时,则退回到按骨架划分,以更好地评估模型的泛化能力。

文本输入界面,显示向 Gemini 3.8 Flash 提出的提示词,要求进行匹配分子对分析并构建药效预测模型。深色主题聊天界面,显示用户提示词,要求围绕大环化进行匹配分子对分析并构建药效预测模型,模型选择为 "Gemini 3.8 Flash"。

Agent 在四项不同的实验读出指标上,用不同的特征集对多种机器学习架构进行基准测试,并采用 scaffold split 以更好地评估模型在分布外数据上的表现。结合统计结果和可视化输出,科学家可以评估模型性能,然后与 Agent 迭代改进。

最后,我们让 Agent 根据学到的规律设计新的、更优的大环化合物,它推荐了多个涉及不同化合物的反应和合成路线。这些化合物可以进一步用于 AlphaFold 分析或分子动力学模拟等基于物理的方法。 Gemini 3.8 Flash 聊天提示界面截图,文本输入框要求设计新的、改良的大环化合物,包括官能化前体和环化反应的建议。深色主题用户界面截图,文本提示框要求设计新的、改良的大环化合物,建议官能化前体和环化反应。底部有多个选项,包括一个标注为 "Argon" 的下拉菜单和麦克风图标。这项 Skill 为 agent 提供了操作和验证反应、生成弯箭头电子推动图,以及从公开数据库检索相似反应所需的工具。agent 结合自身知识和之前开发的 MMPA 与活性预测模型,生成了一些有意思的设计,解释了其药物化学原理,并提出了与文献记载一致的潜在合成路线。它还用上一轮训练的模型来预测每个设计的活性。

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

agent 在提出新合成方案时能够进行化学推理。这里它提出了一个环化反应,并向科学家展示电子推动图来说明反应机理。

分析完成后,结果可以导出为多种格式,方便导入各类行业标准的化学软件包。

同时,了解这些工具的局限性也很重要。稀疏数据、实验室间的检测噪声以及狭窄的动态范围,都会限制哪怕最强大模型的预测精度;计算设计是可检验的假设,而不是成品药物。借助 Antigravity 的 Cheminformatics Skills,药物研发科学家可以更快地生成依据更充分的设计假设,但每个设计仍必须通过合成和实验验证。

研究人员做出重要科学决策的速度正在不断加快。就在不久之前,本文展示的这套工作流程还需要耗费数天时间,并且要求使用者具备深厚的计算专业能力。而将 Antigravity 作为科学工作台,无论是计算化学家还是实验化学家都能加速自己的工作流程,把精力集中在真正重要的问题上。

致谢

化学信息学技能现已在 Google Antigravity 上线。下载 Antigravity 应用并安装 Science 插件,即可开始使用这些技能。你可以在这里查看科学领域的使用案例。

企业用户现在也可以通过选择"Use Business Account"并使用 Google Cloud 凭据登录应用,立即开始在 Antigravity 上使用化学信息学功能。

为进一步加快科研步伐,我们将向 10,000 名科学家免费提供为期 6 个月的 Google Antigravity 最高用量档位(分批陆续开通),具体取决于资格、容量与遴选情况。申请通道现已开放。

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。

申请 Google Antigravity 最高用量档位 探索 Google Antigravity 上的科学应用

原始来源: DeepMind 博客

评论 (0)