一小时完成药物发现全流程

药物发现是一项极度依赖数据整合的工作。同一种分子可能以 IUPAC 命名出现在学术论文中，以 Markush 结构出现在专利文件里，又以 SDF 格式存储于化合物目录数据库。化学信息学系统必须能够统一这些来源，并容忍其中存在的各类错误——哪怕改变一个原子或化学键，描述的就是另一种完全不同的化合物，一个有潜力的抑制剂或催化剂可能因此失效。Google DeepMind 为 Antigravity 平台构建的化学信息学技能套件，正是为了让科学家从繁琐的数据整理中解放出来，专注于科学假设本身。

该技能套件的核心设计理念是明确分工：底层语言模型负责工作流编排、数据库导航与科学推理，而确定性化学工具则执行具体的分子计算。套件以 RDKit 为基础，这一开源化学信息学工具包由全球社区历经二十余年共同开发，同时接入了 ChEMBL 和 PubChem 的精选数据资源，将领域最佳实践直接编码进智能体的工作流程中，使计算化学家与实验台化学家都能在同一平台上协同工作。

在技术演示中，团队选取了一个经典的药物化学案例——分子刚性化（rigidification）。药物分子中的可旋转键会使分子在溶液中呈现多种三维构象，即所谓的「松散」状态。当分子与靶点结合时，必须锁定在特定的活性构象，这一过程会产生熵代价，削弱结合亲和力与药效。通过在合适位置引入新的化学键，将两个子结构固定，可以预先支付这一熵代价，从而显著提升药效。第一代肺癌靶向药克唑替尼含有五个主要可旋转键，而第三代药物洛拉替尼通过成环将有效可旋转键数降至零，药效因此大幅提升。

在实际演示流程中，智能体首先从文献中检索克唑替尼、洛拉替尼及其类似物，在数分钟内获取数千种化合物，自动过滤缓冲液和溶剂等无关分子，并生成包含初步分析的报告。报告指出，检索到的大环化合物大多被预测具有脑穿透性——这一属性至关重要，因为目标肺癌类型频繁发生脑转移。随后，智能体启动交互式可视化界面，科学家可以浏览每一个化合物，点击查看元数据，并通过散点图直观呈现药效与可旋转键数量之间的关系，清晰验证刚性化合物具有更高药效的规律。

在数据整理完成后，智能体进一步执行匹配分子对分析（MMPA），系统性地比较仅在成环与否上存在差异的分子对，量化成环对可旋转键数量和药效的影响。分析结果与预期一致：成环减少了可旋转键数量，同时普遍提升了药效。与此同时，智能体还利用多种特征集和模型架构构建了大量药效预测模型，并在留出集上进行验证。最终，智能体综合上述分析，提出了具有合成路线的新型刚性大环化合物设计方案，将原本需要多天的药物发现迭代周期压缩至约一小时，展示了 AI 智能体在加速科学研究方面的巨大潜力。

要点

• Google Antigravity 的化学信息学技能套件以 RDKit 为基础，接入 ChEMBL 和 PubChem，可统一处理多种分子表示形式，将药物发现单次迭代周期从数天压缩至约一小时。
• 系统采用语言模型与确定性化学工具分工协作的架构：前者负责工作流编排与科学推理，后者负责精确的分子计算，有效降低化学结构处理中的错误风险。
• 以非小细胞肺癌药物为案例的演示表明，智能体能够自主完成化合物检索、匹配分子对分析、机器学习模型构建，并最终提出带合成路线的新型刚性大环化合物设计方案。
• 交互式可视化界面支持科学家实时浏览化合物数据、自定义散点图分析，实现了人机协作的无缝衔接，使计算化学家与实验化学家均可在同一平台高效工作。