Google Antigravity 与 Cheminformatics Skills 加速药学工作流
Learn how Google Antigravity and our Cheminformatics Skills accelerate drug discovery workflows, search compounds, and propose novel rigidified macrocycles.
Google Antigravity 配备 Cheminformatics Skills 后，能将药物发现从几天级别的多轮迭代，压缩到单小时完成。计算化学家和实验化学家可通过代理式 AI 自动搜索化合物、执行分子对分析，并提出新型刚化大环分子，适合已具备基础分子建模技能的药学研究者决策。
什么是 Google Antigravity 及其 Cheminformatics Skills
Google Antigravity 是一个专为科学工作流设计的代理式 IDE，内置专用技能包可直接处理化学计算与分子设计。Cheminformatics Skills 基于 RDKit 核心工具库，并连接 ChEMBL 和 PubChem 等公开数据库，将语言模型的 orchestration 能力与确定性化学计算分离。化学家只需关注假设验证，而非数据整合、结构提取或模型训练的重复劳动。 [[1]](https://deepmind.google/blog/agentic-cheminformatics-with-google-antigravity/)
这些技能让代理能自动执行以下任务：
- 从文献中提取分子结构并关联活性数据
- 生成分子对分析（Matched Molecular Pair Analysis，MMPA）结果
- 预测分子对数、可旋转键数与细胞活性间的关系
- 提出合成路线并生成电子推导图
典型药学工作流痛点与加速案例
传统药物设计流程涉及：
- 筛选海量化合物（数千种）
- 匹配对分析找出结构-活性关系
- 构建分子机器学习模型
- 迭代提出新分子并规划合成
以非小细胞肺癌治疗药物 crizotinib 与 lorlatinib 为例，原方案需多日。多轮迭代后，代理仅用 60 分钟即可完成全部步骤：检索数千化合物、过滤无关分子、生成散点图（细胞活性 vs 可旋转键数）、执行 MMPA，并基于模型提出新刚化大环分子。
结果显示刚化分子通常具有更低可旋转键数和更高活性，完美验证了“预付熵成本”策略。
代理如何操作：核心步骤与交互
代理操作流程分为四个阶段，可通过 Google Antigravity 的 Science 插件直接启动。
阶段 1：数据检索与初步分析
代理搜索公开文献与数据库，自动提取分子、关联 IC50 等活性数据，并生成报告。
阶段 2：交互式可视化与探索
代理启动内置 viewer，支持：
- 单击分子查看元数据
- 自定义散点图（活性 vs 可旋转键数，按刚化状态着色）
- 实时过滤与排序
阶段 3：分子对分析与模型训练
代理独立提出执行 MMPA，并构建多个预测模型（特征集与架构组合）。模型使用时间切分或骨架切分验证，输出统计与视觉报告供化学家迭代。
阶段 4：创新设计与合成规划
代理结合前两阶段模型，提出新大环分子、电子推导图及合成路线。最终分子可导出为标准化学格式，加载至 RDKit、AlphaFold 或分子动力学软件进一步验证。
整个流程演示视频已在官方博客中发布，可直接在 Antigravity App 中复现。
应用场景与决策要点
该方案特别适合：
- 已有 PubChem/ChEMBL 访问权限的计算化学团队
- 需要快速生成合成假设的药化研究员
- 希望压缩迭代周期的实验室（从多天缩短至单小时）
适用条件：输入必须包含已知活性化合物作为锚点；输出假设需实验室合成与验证。
对比表格：传统流程 vs Antigravity 加速版
| 流程阶段 | 传统人工耗时（天） | Antigravity 耗时（小时） | 关键优势 |
|---|---|---|---|
| 数据检索 | 2–3 | <0.5 | 自动筛选数千化合物 |
| MMPA 执行 | 1–2 | <0.5 | 代理独立提出并输出结果 |
| 模型构建 | 1–2 | <1 | 多种架构组合供选 |
| 创新设计 | 2–3 | <1 | 生成合成路线与电子图 |
| 总计 | 5–10 | ~1 | 迭代速度提升 5–10 倍 |
数据以官方 2026-11-03 演示为准。横向滚动移动端仍清晰。
延伸阅读
风险与边界
代理生成的分子仅为计算假设，需实验室合成、表征与体内验证才能成为候选药物。稀疏数据、实验室间差异与动态范围限制可能导致预测误差。以官方/挂牌页当日数据为准，建议结合实验反馈持续迭代。
非法律意见声明：本文基于公开技术博客内容，仅供技术参考，不构成任何药物研发、商业或法律建议。实际使用请严格遵守实验室 SOP 与监管要求。
English summary
Google Antigravity with Cheminformatics Skills compresses multi-day drug discovery workflows into about one hour by using an agent to search literature, extract molecules, perform matched molecular pair analysis, train potency models, and propose novel rigidified macrocycles. The approach is ideal for computational chemists who already have access to PubChem and ChEMBL, allowing faster hypothesis generation while still requiring experimental validation. It uses RDKit for core chemistry and interactive viewers for data exploration, delivering clear tables and synthesis routes as output. This method accelerates iteration for teams focused on lung cancer inhibitors or similar targets but remains a hypothesis generator, not a replacement for lab testing. The official 2026-11-03 demonstration provides reproducible steps via the Antigravity Science plugin.
适用于 GrokCode 倍率榜。信息仅供参考，不构成购买、投资或法律意见。