谷歌 Antigravity 上线化学信息学技能：AI 约一小时完成药物发现演示流程

据 IT之家 11 月 4 日报道，谷歌 DeepMind 团队于 11 月 3 日宣布，为 Google Antigravity 推出“化学信息学技能”（Cheminformatics Skills），将 AI 智能体用于药物发现中的文献检索、分子分析、模型构建和新分子设计。在肺癌靶向药相关演示中，系统约一小时便完成了涉及数千种化合物的检索与分析流程，并提出带有合成路线建议的新分子方案；类似工作过去往往需要数天。需要明确的是，这代表科研前期工作提速，并不意味着 AI 在一小时内研发出了抗癌药。

从检索资料到设计分子，AI 如何串起科研流程

这套技能的核心并非让大语言模型独自完成化学计算，而是将模型的任务规划、信息检索与科学推理能力，同 RDKit 等确定性化学计算工具结合，并接入 ChEMBL、PubChem 等公共数据库。模型负责组织流程，专业工具承担相应计算，从而把原本分散的操作连接起来。

药物研究的一项基础难题，是同一分子可能以不同形式出现在论文、专利和产品目录中。来源显示，系统能够识别 IUPAC 名称、马库什结构及 SDF 文件等不同表达中的分子信息，减少数据清洗、结构核对和格式转换带来的重复劳动。

• 资料检索：从化学数据库及相关文献材料中寻找、整理化合物信息。
• 结构分析：通过匹配分子对分析，寻找分子变化与药效之间的关联。
• 模型构建：利用整理后的数据训练药效预测模型，辅助筛选设计方向。
• 候选设计：提出新分子结构，并给出反应机理和合成建议。

在具体演示中，AI 围绕克唑替尼与劳拉替尼两类肺癌靶向药展开研究，检索并整理了 568 个化合物，识别出“分子刚性化”与药效提升之间的关联。随后，系统训练预测模型，并设计出多个潜在更优的刚性大环化合物。数千种化合物的检索规模，与整理分析的 568 个化合物并非同一统计口径，不能混为一谈。

影响与边界：压缩探索时间，而非替代实验

从 AI 工具发展的角度看，这次更新的看点在于智能体开始围绕专业科研任务组织完整工作流，而不只是回答化学问题或生成研究建议。若能减少资料整理和工具切换的耗时，科研人员就有机会把更多精力投入到候选方案判断与实验设计中。

但效率提升与结果可靠性仍是两回事。谷歌强调，系统输出的是“可检验的科研假设”，不是成品药物。数据稀疏、不同实验室的检测误差，以及检测动态范围限制，都可能影响模型判断。预测药效更好，不等于实际效果更好；给出合成建议，也不代表已经完成合成验证。所有候选分子仍须经过合成与实验检验。

据报道，该功能目前已向 Google Antigravity 用户开放，企业用户可通过 Google Cloud 账号使用。谷歌还计划向最多 1 万名符合条件的科学家免费提供 6 个月最高用量档位。对于科研机构而言，接下来值得关注的不只是演示速度，更是这类工作流能否在不同研究任务中保持数据可追溯、计算可复核，并持续产出值得实验验证的候选方案。