Google DeepMind presentó habilidades de quimioinformática para Google Antigravity capaces de recopilar datos de la literatura, analizar miles de compuestos, entrenar modelos predictivos y sugerir rutas de síntesis. El sistema acelera la formulación de hipótesis, pero no sustituye la síntesis ni las pruebas de laboratorio.
Google DeepMind presentó un conjunto de habilidades de quimioinformática para Google Antigravity, una plataforma que la empresa describe como un espacio de trabajo colaborativo para investigadores dedicados al descubrimiento de fármacos.
En la demostración, el agente reunió datos de la literatura y catálogos, filtró compuestos irrelevantes, analizó relaciones entre estructura y potencia, y propuso moléculas con posibles rutas de síntesis. La empresa afirma que una iteración que normalmente llevaría varios días puede realizarse en aproximadamente una hora dentro del flujo presentado.
De la literatura al conjunto de datos
El sistema se utilizó para localizar información sobre crizotinib, lorlatinib y moléculas análogas. La propuesta consiste en extraer estructuras químicas de artículos y asociarlas con los datos experimentales correspondientes, aunque una misma molécula puede aparecer como nombre químico, imagen, estructura de patente o archivo de datos.
Las habilidades combinan un modelo de lenguaje, responsable de la orquestación y el razonamiento sobre el flujo, con herramientas deterministas de química. La implementación citada por la empresa utiliza RDKit y conexiones con las bases de datos ChEMBL y PubChem.
Tras la curaduría, un visualizador interactivo permite consultar compuestos, metadatos y gráficos. Uno de los ejemplos compara la potencia celular y el número de enlaces rotatorios, diferenciando entre moléculas macrocíclicas.
Rigidificación y modelado predictivo
La demostración se centró en la rigidificación, una estrategia que añade enlaces para restringir la flexibilidad de una molécula. La hipótesis es que reducir el número de conformaciones facilite la adopción de la forma necesaria para unirse al objetivo biológico.
La empresa compara el crizotinib, descrito como un inhibidor de tirosina quinasa de primera generación con cinco enlaces rotatorios principales, con el lorlatinib, de tercera generación, cuya estructura fue ciclizada y presenta efectivamente ninguno de esos enlaces en el ejemplo mostrado.
El agente también realizó un análisis de pares moleculares emparejados, una técnica que compara moléculas con pequeñas diferencias estructurales, y entrenó modelos de potencia con distintos atributos y arquitecturas. La fuente afirma que se utilizaron conjuntos de validación separados, incluida una división por esqueletos para estimar el rendimiento fuera de la distribución.
Las sugerencias aún dependen del laboratorio
A partir de los análisis, el sistema recomendó nuevos macrociclos y distintas reacciones y rutas de síntesis. También produjo representaciones del mecanismo de una reacción de ciclización y preparó estructuras para análisis posteriores, como simulaciones de dinámica molecular o estudios con AlphaFold.
Google DeepMind subraya que los datos escasos, el ruido entre laboratorios y los rangos experimentales estrechos limitan la precisión de los modelos. Por lo tanto, las moléculas propuestas no deben interpretarse como candidatos a fármacos listos, sino como hipótesis para su investigación.
La disponibilidad anunciada incluye las habilidades de quimioinformática en Google Antigravity y una opción para que los usuarios corporativos accedan al servicio con credenciales de Google Cloud. La empresa también informó de una oferta promocional de seis meses para hasta 10.000 científicos, sujeta a elegibilidad, capacidad y selección; el texto proporcionado no detalla esos criterios.
Fuente original: Google DeepMind — Agentic cheminformatics with Google Antigravity.
Recibe Radar de IA todos los días
Las noticias de inteligencia artificial que importan — con nuestro prisma y siempre con las fuentes. Gratis.






