Google DeepMind发布Antigravity化学信息学技能，称一小时完成一轮候选分子设计
DeepMind在博客中称，Antigravity配合新发布的Cheminformatics Skills，可从文献检索数千个化合物、做匹配分子对分析并生成刚性化大环化合物的合成路线；这一演示以肺癌药物克唑替尼与劳拉替尼为案例，设计结果仍是待实验验证的假设。
AI解读：演示流程包括从文献和数据库中提取分子、过滤缓冲液和溶剂等无关分子、做匹配分子对分析、训练多个效力预测模型，并提出新的大环化合物及合成路线。
技能基于开源工具包RDKit，并连接ChEMBL与PubChem；DeepMind称语言模型负责流程调度与推理，分子计算由确定性化学工具执行。
DeepMind明确说明局限：数据稀疏、实验室间检测噪声和动态范围窄会限制预测精度，计算设计只是可检验的假设，每个设计都需合成和实验验证。
技能已在Antigravity上线，需安装Science插件；DeepMind另向 1 万名科学家提供 6 个月最高用量层级免费使用，需符合资格、容量与筛选条件。
Google DeepMind于 2026 年 11 月 3 日发布一套面向Google Antigravity的Cheminformatics Skills（化学信息学技能），并用非小细胞肺癌药物克唑替尼（crizotinib）与劳拉替尼（lorlatinib）为案例做了技术演示。DeepMind称，智能体在这一演示中检索数千个化合物、执行匹配分子对分析，并在一小时内提出新的大环化合物设计及合成路线。
演示做了什么
DeepMind博客称，药物设计的一轮迭代通常需要数天，涉及从图表、图片和文献中整理数据、训练预测模型、提出待合成候选分子。该演示让Antigravity智能体执行这条流程：从文献中提取分子并关联其报告数据，过滤掉缓冲液、溶剂等无关分子，在报告中记录来源，并对检索到的化合物集做初步分析。
智能体还启动了一个交互式查看器，展示整理后的化合物、关联数据和可定制的散点图。DeepMind举例说，将细胞效力对可旋转键数量作图、按是否为大环着色，可以看到效力最高的化合物刚性最强。在匹配分子对分析中，智能体比较了大量仅相差是否环化的分子对；DeepMind称结果显示环化减少了可旋转键数量，同时总体上提高了效力，与预期一致。
- 智能体检索并整理了数千个化合物，过滤无关分子并记录来源。
- 执行匹配分子对分析，比较多对仅相差环化与否的分子。
- 用不同特征集和模型架构训练大量效力预测模型，并在留出集上验证。
“刚性化”的化学背景
DeepMind用刚性化（rigidification）作为演示的化学主题。博客解释，药物分子常通过可旋转键连接多个子结构，这些键让分子在溶液中呈现多种三维构象；结合靶点时分子需锁定为单一活性构象，损失运动自由度会带来熵惩罚，从而削弱结合亲和力。化学家因此常通过增加化学键来限制分子构象。
案例中，克唑替尼有五个主要可旋转键；劳拉替尼结构与克唑替尼相似，但末端被环化，有效可旋转键数量降至零，DeepMind称这带来了更高的效力等效果。
工具构成与分工
DeepMind称，这套技能让语言模型负责工作流编排、数据库导航和科学推理，而分子计算由确定性化学工具执行。技能基于RDKit——一个由全球社区开发二十年的开源化学信息学工具包——并连接ChEMBL和PubChem的整理资源，将领域最佳实践编码进智能体的工作流。
技能覆盖的操作包括：操纵和验证反应、生成弯箭头电子推动图、从公共数据库检索相似反应，以及为后续AlphaFold或分子动力学模拟准备化合物。分析结果可导出为多种格式，加载到业界常用的化学软件中。
DeepMind自己划定的边界
博客专门说明这些工具不能做什么：数据稀疏、实验室间检测噪声和较窄的动态范围，会限制即使最强模型的预测精度；计算设计是可检验的假设，不是成品药物。DeepMind的表述是，科学家可以更快生成有更强依据的设计假设，但每个提出的设计都必须经合成和实验验证。
在演示中，智能体给出的设计效力数字来自它前一步训练的模型预测，而非实验测定。
获取方式
DeepMind称，这些化学信息学技能已于发布当日在Google Antigravity上线，用户需下载Antigravity应用并安装Science插件。企业用户可选择“Use Business Account”，用Google Cloud凭据登录。
DeepMind还表示向 1 万名科学家免费提供 6 个月Antigravity最高用量层级，按滚动方式接入，受资格、容量和筛选条件约束，申请已开放。