当药物发现遇上会编排的智能体

11 月 3 日，Google DeepMind 为旗下代理式开发平台 Antigravity 推出一组化学信息学技能（Cheminformatics Skills），把这款原本面向开发者的智能体平台，明确改造成面向计算化学家与实验化学家的协作科研工作台。过去要完成一轮新药设计，研究人员得在查文献、写脚本、导文件、跑建模、设计分子之间反复横跳；现在这些动作被收进同一个对话式工作区，由智能体负责编排，确定性化学工具负责执行。这也是 Antigravity 在 10 月关停 Jules 编程智能体、并先后用插件市场和抗菌肽发现演示探路之后，从写代码走向真实实验室科学的又一步。

分工：语言模型管推理，RDKit 管计算

这套技能的核心是把两类能力分开：底层大语言模型承担工作流编排、数据库导航与科学推理，决定下一步该查什么、算什么、问什么；确定性化学工具则基于开源化学库 RDKit，并接入 ChEMBL、PubChem 等权威策展数据库，执行真正的分子计算。它把化学信息学的领域最佳实践直接编码进智能体工作流，而不是让模型凭文本生成去猜化学——化学里改一个原子或一根键就是另一个化合物，确定性计算不能交给模型的自由发挥。典型能力包括：从文献和专利里抽取分子并关联数据、拉起交互式分子查看器与可定制散点图、做匹配分子对分析（MMPA）、构建分子机器学习预测模型（比如效力预测，支持时序或骨架划分以避免数据泄露）、设计新的大环化合物、推荐反应与合成路线、生成弯箭头电子推动图、检索公共库里的相似反应，并导出多种行业标准格式，产物还能交给 AlphaFold 或分子动力学模拟继续分析。

从数天到一小时：一个肺癌案例
化学信息学工作流：语言模型编排 ＋ RDKit/ChEMBL/PubChem 确定性工具文献/专利/数据库智能体编排（LM）RDKit 确定性工具分子设计假设单轮迭代耗时对比传统：整理数据＋训练＋提候选数天Antigravity：检索＋MMPA＋合成路线一小时真实肺癌案例：crizotinib（5 可旋转键）→ lorlatinib（0，环化后更强）；策展仪表盘含 568 个化合物。官方强调：计算设计是可检验的假设，并非成品药物，最终仍需湿实验验证。
Antigravity 化学信息学工作流：从数天到一小时

官方用一个经典的药物化学案例——刚性化——做演示：以两款已上市肺癌靶向药为起点，初代药物 crizotinib 有 5 个主要可旋转键，而其环化后的后继药物 lorlatinib 把可旋转键降到 0，结合更强。智能体在数分钟内从文献里检索出数千个化合物，剔除缓冲液、溶剂等无关分子并标注来源，再用交互式查看器把效力对可旋转键作图，显示越刚性的分子往往越强；接着它跑匹配分子对分析，在四个实验读数上训练并验证效力预测模型（用骨架划分估计泛化能力），最后提出带合成路线与电子推动图的新型刚性化大环。DeepMind 称，过去完成这样一轮迭代通常要数天，还要相当多的计算专业知识，现在压缩到约一小时；策展后的仪表盘包含 568 个化合物，供研究者可视化筛选。

万名科学家免费加企业门槛：Google 的科研入口

为了把这件事推过临界点，Google 给了一个相当直接的激励：向一万名科学家提供 Antigravity 的最高使用层级，免费六个月，滚动加入，但受资格、容量与筛选限制；申请通道在发布当天即开放。企业用户则走另一条路：在应用里选择使用商业账户，并用 Google Cloud 凭据登录，即可把化学信息学技能接进自己的研发流程。换句话说，Google 想让 Antigravity 成为科研团队默认的智能体工作台，而不只是又一个写代码的助手——平台之争正在从演示转向谁真正接住了科研预算：能把化学家的文献、数据与建模放在一处处理的平台，比只会写代码的平台更有底气去争研究经费。

冷静看：假设不是药物，验证仍在人手里

需要冷静看待的是边界。DeepMind 在文中反复强调：计算设计只是可检验的假设，并非成品药物；每一个被提出的分子设计，都必须经过合成与实验验证。稀疏数据、跨实验室 assay 噪声、狭窄的动态范围，都会限制即便是最先进模型的预测精度；演示复现的是一个已知成功案例，而非发现新药，一小时的时间也来自 DeepMind 自己的演示而非外部评测。对产业来说，真正的增量不是模型直接出药，而是把科研人员做有意义决策的速度拉起来——把过去要几天、要专人写脚本的活，压进一次协作式会话。它会不会真在湿实验里兑现，仍要看采用率与复现；六个月免费档到期之后，这万名科学家中有多少留下来，才是判断这不是营销话术的关键。

信息来源

Google Antigravity 化学信息学技能 药物发现智能体 RDKit ChEMBL 科研智能体