跳到正文
Google DeepMind·· 13 天前精选AI 评分68

Google DeepMind 发布 Antigravity 化学信息学 Skills,单次药物设计迭代缩至 1 小时

Agentic cheminformatics with Google Antigravity

AI 导读

Google DeepMind 为 Google Antigravity 发布一套化学信息学 Skills,安装 Science 插件后即可使用。

推荐理由

文章把化合物检索、匹配分子对分析与合成路线规划串成一条对话式流程,并给出与传统数天迭代的对比。

正文 · AI 翻译

November 3, 2026 Science

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

设计新药需要从图表、图形和文献中整理复杂数据、训练预测模型,并提出待合成的候选分子——这一流程通常一次迭代就需要数天时间。

在此,我们展示了 Google Antigravity 配备我们全新的化学信息学技能(Cheminformatics Skills)后,如何加速药物发现工作流。借助真实的肺癌治疗案例,一个智能体在短短一小时内检索数千种化合物、进行匹配分子对分析,并提出带有合成路线的新型刚性大环化合物。

化学是科学领域最丰富的公开记录之一——涵盖期刊文章和供应商目录中的数百万种结构。它提供了一种通用表示,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,塑造着日常世界。

尽管化学信息学已取得数十年的进展,化学家们仍在数据整理上花费过多时间,而这一过程之所以复杂,是因为分子可以用多种方式表示:从文本描述到图像或数据结构。同一个分子在论文中可能以 IUPAC 名称出现,在专利中以 Markush 结构出现,或在目录中以结构数据文件(SDF)出现。先进的化学信息系统必须能够统一这些来源,并应对其中可能出现的各种错误。这项任务不容许任何差错——改变一个原子或化学键,你描述的就完全是另一种化合物了,从而使一个有前景的抑制剂或催化剂失去活性。

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(Cheminformatics Skills),将该平台转变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。

这些技能还实现了分工协作: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——这是一个由全球贡献者社区历经二十多年开发的基础开源化学信息学工具包——并连接到 ChEMBL 和 PubChem 的精选资源,将领域最佳实践直接编码到智能体的工作流中。

刚性化一个柔性分子

在这篇技术详解中,我们重点介绍一种经典的药物化学技术,用于提高药物效力:刚性化。

药物分子可能很复杂,通常通过可旋转键连接多个子结构。这些键使分子能够扭转成多种三维形状(构象),使其在溶液中显得“柔性”。然而,要与其靶点结合,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的代价,从而削弱结合亲和力并降低效力。

为了解决这个问题,药物化学家通常通过添加新的化学键来使分子刚性化。由单个可旋转键连接的两个子结构可以扭转成许多构象,但添加第二条键将它们束缚在一起,会大大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在与靶点结合所需的精确形状上。这种策略通常被称为“预先支付熵代价”,可以显著提高效力。

在这里,我们将聚焦于一个成功刚性化的著名案例。药物克唑替尼(crizotinib)是一种用于治疗某些形式非小细胞肺癌的一代小分子酪氨酸激酶抑制剂(TKI)。在克唑替尼中,有五个主要的可旋转键。洛拉替尼(lorlatinib)是一种与克唑替尼相似的三代小分子 TKI,但其末端已环化,将有效可旋转键的数量减少到零,从而在其他效果之外带来了更高的效力。

协作式智能

我们将要求该智能体搜索有关这些药物及其类似物的文献。凭借 Antigravity 中的化学信息学技能,该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。

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.

几分钟内,该智能体检索到数千种化合物,过滤掉无关分子(如缓冲液和溶剂),并在报告中记录其来源。报告还对检索到的化合物集提供了初步分析:例如,强调大环化合物在很大程度上被预测为具有脑渗透性,考虑到靶向肺癌经常转移到大脑,这是一个重要的性质。

为了进行更深入的探索,该智能体启动了一个交互式查看器,展示经过整理的化合物、其相关数据以及可自定义的散点图。例如,将效力与可旋转键作图,并按大环状态着色,可以立即揭示出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,也是为了让用户与智能体的协作更加无缝。

在交互式查看器中,科学家可以浏览从文献中检索到的每一个化合物,点击单个分子以检查其元数据,并绘制整个数据集中的关系图。例如,将细胞效力与可旋转键作图,并按大环状态着色,可以清楚地显示效力最高的化合物是最刚性的。

在下载并整理所有数据之后,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。下一步,我们将进行匹配分子对分析,这是一种在药物化学中用于隔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。该智能体也曾独立提出过这项分析,因为我们预计数据集中会包含许多信息丰富的分子对。我们还将要求该智能体利用其分子机器学习能力建立一个预测模型。

匹配分子对分析(MMPA)比较了大量仅在是否环化上存在差异的分子对。分析结果表明,正如预期的那样,环化会减少可旋转键的数量,同时通常会提高效力。该智能体还使用不同的特征集和模型架构构建了大量效力模型,并在留出集上进行了验证。这些技能为智能体提供了如何最好地构建分子机器学习模型的指导——例如,当有相关信息时,智能体通常会使用按时间顺序划分的方式,用较早的化合物进行训练来预测较新的化合物;但在需要更好地估计泛化能力时,也可以退回到骨架划分的方式。

该智能体在四种不同的实验读出上对多种具有不同特征集的机器学习架构进行基准测试,并使用骨架划分来更好地衡量分布外性能。统计输出与可视化输出的结合,使科学家能够评估模型性能,然后与智能体一起进行迭代。

最后,我们要求智能体根据其学习成果设计新的、改进的宏环化合物,它推荐了涉及不同化合物的多种反应和合成路线。该智能体可以为使用 AlphaFold 或分子动力学模拟等基于物理的技术进行进一步分析而制备这些化合物。

该技能为智能体提供了操作和验证反应、生成弯箭头电子推动图以及从公共数据库中查找类似反应所需的工具。该智能体利用自身知识,结合先前开发的 MMPA 和效力预测模型,生成了一些有趣的设计,解释了其药物化学原理,并提出了与已有文献记录一致的潜在合成路线。它还使用上一轮训练的模型来预测每个设计的效力。

该智能体在提出新的合成方案时能够进行化学推理。在这里,该智能体提出了一个环化反应,并向科学家提供电子推动图以展示其机理。

分析完成后,结果可以导出为多种格式,随时可加载到许多行业标准的化学软件包中。

与此同时,了解这些工具不能做什么也很重要。稀疏的数据、实验室间的测定噪声以及狭窄的动态范围,限制了即使是最强大的模型的预测精度;计算设计是可检验的假设,而不是成品药物。借助 Antigravity 中的化学信息学技能,药物发现科学家可以更快地生成有更强支撑的设计假设,但每一个提出的设计都必须经过合成和实验验证。

研究人员做出有意义的科学决策的速度正在加快。不久前,这里展示的工作流程还需要耗费数天时间,并且需要相当的计算专业知识。使用 Antigravity 作为科学工作台,计算化学家和实验化学家都能加快工作流程,专注于真正重要的问题。

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。点击此处探索 Science 用例。

作为 Enterprise 用户,你今天也可以在 Antigravity 上开始使用化学信息学功能,只需选择“Use Business Account”,并使用你的 Google Cloud 凭据登录应用即可。

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 的最高用量层级,为期 6 个月(按滚动方式分批接入),须符合资格、容量和遴选条件。申请现已开放。

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。

来源:Google DeepMind · deepmind.google