Google Antigravity加化学信息学技能：肺癌药分子设计1小时完成

药物发现流程的提速：从几天缩短到一小时

设计一款新药向来费时。研究人员要从成堆的图表和论文里挖数据，训练预测模型，再提出候选分子送去合成。这套流程哪怕只走一轮，通常也得花好几天。

Google DeepMind 近日为旗下 AI 代理平台 Google Antigravity 增添了一项新能力，名为“化学信息学技能”（Cheminformatics Skills），目标就是给上述过程提速。团队用真实的肺癌治疗药物做了一次测试：让 AI 代理在几千种化合物中检索，执行匹配分子对分析，最终给出新的刚性大环分子以及对应的合成路线。全程耗时仅一个小时。

道理不复杂，落地却很麻烦。化学大概是公共记录最丰富的学科之一，期刊论文和供应商目录里收录了数百万种结构。难点在于同一个分子在不同场合的呈现方式各不相同：论文里写的是 IUPAC 命名，专利里画的是 Markush 结构，目录里存的又是 SDF 文件格式。一套成熟的化学信息系统必须把这些来源统一起来，还要应付各类错误。说到底，改动一个原子或一根键，得到的便是另一种化合物，原本有希望的抑制剂可能就此失效。

为了让科研人员把时间花在提出假设而非整理数据上，Google 打造了这套技能。它以开源工具包 RDKit 为基础，接入了 ChEMBL 和 PubChem 等经过整理的资源，把领域内的最佳实践直接写进 AI 的工作流。

分子为什么要“变硬”？

此次技术演示盯上的是药物化学里一个经典手法：刚性化（Rigidification）。

药物分子往往结构复杂，若干子结构靠可旋转键相连。这些键让分子在溶液中能扭出多种三维形态，也就是常说的“柔性”。可要与靶点结合，分子得锁定在某个特定活性构象上。从自由运动到被锁住，这一过程会产生熵罚（entropic penalty），结合亲和力随之下降，药效也就变弱。

办法是给分子“加固”。两个子结构之间若只有一根可旋转键，它们可以随意转动；再补一根键把它们拴住，它们在三维空间里的活动余地就大幅收窄。位置选对了，分子便能被锁定在最利于结合靶点的构象上。行话管这叫“提前支付熵成本”，药效提升明显。

现成的例子是克唑替尼（Crizotinib）。它是第一代小分子酪氨酸激酶抑制剂，用于治疗部分非小细胞肺癌，带有五个主要的可旋转键，偏“软”。第三代药物劳拉替尼（Lorlatinib）与它结构相似，但末端被环化，可旋转键数量降到零。药效因此更强，还带来其他好处。

AI 的工作流程：从文献到数据

在这个案例中，研究人员让 AI 代理去文献里查找上述两种药物及其类似物。借助化学信息学技能，Antigravity 的代理能够从文档中提取分子，关联 reported 的数据，并为后续分析做好准备。

几分钟之内，代理就检索了数千种化合物，剔除缓冲液、溶剂等无关分子，并把来源汇整成报告。报告还附带了初步分析，例如指出这些大环化合物大多 predicted 能穿透血脑屏障。肺癌常发生脑转移，这一属性因而相当关键。

为了进一步挖掘，代理还启动了一个交互式查看器。科学家可以在其中浏览全部检索到的化合物，点击单个分子查看元数据，也能绘制散点图。譬如把药效 against 可旋转键数量画成图，再按是否为大环化合物着色，像劳拉替尼这样的大环分子可旋转键少、药效高，一眼便知。

这种设计并非要替代化学家，而是让协作更顺。代理承担跑腿、整理数据、画初稿的活，科学家负责把握方向。

深入分析：匹配分子对与机器学习

数据整理完毕，代理转入更高级的分析。下一步是匹配分子对分析（MMPA），这是药物化学里的常用手段，通过比较仅有一处细微差异的分子对，把特定变化带来的影响单独剥离出来。

代理自己提出要做这项分析，因为它清楚数据集里这类对子不少。分析结果显示，环化确实减少了可旋转键数量，并且普遍提升了药效，与预期一致。

随后，代理动用自己的分子机器学习能力搭建预测模型。有个细节：建模时它会视情况挑选分割策略。若有时间信息，通常采用 chronological splits（按时间分割），用老化合物训练、去预测新化合物；若没有，则退回 scaffold splits（骨架分割），以便更好地估计泛化能力。

围绕四种不同的实验读数，代理对多种机器学习架构和特征集做了 benchmark。模型表现如何，科学家靠统计和可视化输出判断，随后再与代理一起反复迭代、优化。

提出新设计与合成路线

最后，研究人员让代理依据学到的东西，设计新的、改进的大环分子。代理给出了多个反应方案，以及涉及不同化合物的合成路线。

这一步相当关键。代理不光能设计分子，还能把这些化合物准备好，供 AlphaFold 或分子动力学模拟等基于物理的技术做进一步分析。它具备处理和验证反应的工具，可以生成弯曲箭头电子推动图（curved arrow electron pushing diagrams），也能从公共数据库里检索类似反应。

代理把此前的 MMPA 与药效预测模型结合起来，产出了一些有意思的设计。它不只给出结构，还解释了背后的药物化学原理，并提出与 documented 程序一致的潜在合成路线。每个设计的药效，也由之前训练好的模型做了预测。

代理给出的方案里，有一个例子是提议环化反应，同时附上电子推动图把机制画出来。AI 的化学推理到底怎么走的，科学家因此能直接看明白。

分析做完，结果能导出成多种格式，放进行业标准化学软件包里就能直接加载使用。

局限性与未来

当然，这些工具做不到什么，也得说清楚。数据稀疏、实验室之间的 assay 噪声、动态范围窄，这几样摆在那里，再强的模型预测精度也会被拖住。计算设计终归只是可测试的假设，不是成品药。

借助 Antigravity 的化学信息学技能，药物发现科学家生成设计假设的速度更快、依据也更充分。不过每一个 proposed 设计，都得走合成和实验验证这一关。

过去这类工作流要花好几天，还得靠大量计算专家的经验支撑。现在换成 Antigravity 这个科学工作台，计算化学家和实验化学家都能把流程提速，把时间留给真正重要的问题。

眼下这些化学信息学技能已经在 Google Antigravity 上线。下载 App、装上 Science 插件就能用，企业用户也可以拿 Google Cloud 凭证登录。为了把研究节奏推起来，Google 还向 1 万名科学家免费开放为期 6 个月的最高使用层级，申请通道已经开了。