用 Google Antigravity 实现智能体式化学信息学
本文目录
2026年11月3日 科学
用 Google Antigravity 实现智能体式化学信息学
Zoi Tsangalidou、Ruijie (Kelly) Zhang、Sukhdeep Singh 和 Michael V. LeVine
在 Google Antigravity 中探索科学工作流
分享
设计新药需要从图表、插图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——这一工作流单次迭代通常需要数天。
在这里，我们展示配备了我们的新化学信息学技能（Cheminformatics Skills）的 Google Antigravity 如何加速药物发现工作流。以真实的肺癌治疗为例，一个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，并提出具有合成路线的新型刚性化大环。
化学是科学中最丰富的公共记录之一——横跨期刊文章和供应商目录中的数百万种结构。它提供了一种共同表示，将物理和数学与生命科学和环境科学联系起来。分子及其转化无处不在，塑造着日常世界。
尽管化学信息学（cheminformatics）数十年来取得了进展，化学家仍然花费过多时间处理数据，而分子可以用多种方式表示使这一过程更加复杂：从文本描述到图像或数据结构。同一个分子可以在一篇论文中表现为 IUPAC 名称，在专利中表现为马库什结构（Markush structure），在目录中表现为结构数据文件（SDF）。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多种错误。这项任务没有容错空间——改变一个原子或化学键，你描述的就已经是完全不同的化合物，可能使一种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不是数据整理，我们为 Google Antigravity 构建了一套化学信息学技能，将该平台转变为一个协作式科学工作台，让计算化学家和实验台化学家都能完全访问本地工具。
这些技能还创造了一种分工：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执行分子计算。这些技能以 RDKit 为基础——这是由全球贡献者社区二十多年来开发的基础开源化学信息学工具包——并结合 ChEMBL 和 PubChem 精选资源的连接器，将领域最佳实践直接编码进智能体的工作流。
刚性化柔性分子#
在这次技术演示中，我们重点介绍一种提高药物效力的经典药物化学技术：刚性化（rigidification）。
药物分子可能很复杂，通常通过可旋转键连接多个子结构。这些键让分子能够扭转成许多三维形状（构象），使其在溶液中很“柔性”。然而，要结合其靶点，柔性分子必须锁定为单一活性形状。失去这种运动自由会带来熵惩罚，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键来刚性化分子。两个由单个可旋转键连接的子结构可以扭转成许多构象，但添加第二个键将它们拴在一起会急剧限制它们在三维空间中的运动方式。通过把该键放在正确位置，化学家可以将分子锁定为结合靶点所需的精确形状。这种策略常被称为“提前支付熵成本”，可以显著提高效力。
在这里，我们将重点介绍一个著名的成功刚性化案例。药物克唑替尼（crizotinib）是第一代小分子酪氨酸激酶抑制剂（TKI），用于治疗某些形式的非小细胞肺癌。在克唑替尼中，有五个主要的可旋转键。劳拉替尼（lorlatinib）是第三代小分子 TKI，与克唑替尼相似，但在其末端进行了环化，将有效可旋转键数量降至零，从而在其他效应之外带来更高的效力。
协作智能#
我们将要求智能体在文献中搜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，将它们与所报告的数据关联起来，并为下游分析准备化合物。
几分钟内，智能体检索到数千种化合物，过滤掉无关分子（如缓冲剂和溶剂），并在报告中记录其来源。该报告还对检索到的化合物集合进行初步分析：例如强调大环在很大程度上被预测具有脑渗透性，鉴于目标肺癌经常转移到大脑，这是一个重要特性。
为了更深入的探索，智能体启动一个交互式查看器，显示整理后的化合物、其关联数据和可定制的散点图。例如，绘制效力与可旋转键的关系，并按大环状态着色，立即可以看出像劳拉替尼这样的大环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无缝衔接。
在交互式查看器中，科学家可以浏览从文献中检索到的每种化合物，点击单个分子查看其元数据，并在整个数据集上绘制关系图。例如，绘制细胞效力与可旋转键的关系，并按大环状态着色，可以清楚地看出效力最高的化合物是最刚性的。
在下载并整理所有数据后，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，我们将执行匹配分子对分析（matched molecular pair analysis），这是药物化学中用于分离分子微小离散变化效应的一种技术，方法是比较仅在该变化上不同的分子对。智能体也曾独立建议进行这项分析，因为我们预计数据集中会包含许多有信息量的配对。我们还将要求智能体利用其分子机器学习能力构建预测模型。
匹配分子对分析（MMPA）比较了许多分子对，它们的区别在于是否环化。分析结果表明，环化减少了可旋转键数量，同时总体上提高了效力，正如预期。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，当信息可用时，智能体通常使用按时间顺序的划分，用较早的化合物训练来预测较新的化合物，但也可以退回到骨架划分（scaffold split），以更好地估计泛化能力。
智能体在四种不同的实验读数上对具有不同特征集的多种机器学习架构进行基准测试，使用骨架划分来更好地衡量分布外性能（out-of-distribution performance）。统计输出和可视化输出的结合使科学家能够评估模型性能，然后与智能体一起迭代。
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，它推荐了涉及不同化合物的多种反应和合成路线。智能体可以准备这些化合物，以便用 AlphaFold 或分子动力学模拟等基于物理的技术进一步分析。
该技能为智能体配备了操作和验证反应、生成弧形箭头电子推动图，以及从公共数据库查找类似反应所需的工具。智能体结合自身知识和先前开发的 MMPA 与效力预测模型，生成了一些有趣的设计，解释了其药物化学理由，并提出了与已记录程序一致的潜在合成路线。它还使用上一轮训练的模型预测每个设计的效力。
智能体在提出新合成计划时能够对化学进行推理。在这里，智能体提出一个环化反应，并向科学家提供电子推动图以展示机理。
完成分析后，结果可以导出为多种格式，准备加载到许多行业标准化学软件包中。
同时，了解这些工具不能做什么也很重要。稀疏数据、实验室间测定噪声和狭窄的动态范围限制了即使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 中的化学信息学技能，药物发现科学家可以更快地生成更有力支持的设计假设，但每个提出的设计都必须经过实验合成和验证。
研究人员做出有意义的科学决策的速度正在加快。不久前，这里展示的工作流需要数天时间，并且需要大量计算专业知识。将 Antigravity 用作科学工作台，使计算化学家和实验化学家都能加速工作流，并专注于真正重要的问题。
致谢#
化学信息学技能现已在 Google Antigravity 上提供。下载 Antigravity 应用并安装 Science 插件即可开始使用这些技能。在此探索科学用例。
作为企业用户，你也可以今天就在 Antigravity 上开始使用化学信息学：选择“使用企业账户”，并使用你的 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 最高使用层级，为期 6 个月（滚动加入），须符合资格、容量和筛选要求。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。
申请 Google Antigravity 的最高使用层级
在 Google Antigravity 上探索科学
相关文章
用 Google Antigravity 加速抗菌肽的搜索
2026年10月 科学
了解更多
与古代对话
了解更多