Google DeepMind mostra agente de quimioinformática no Antigravity para acelerar descoberta de medicamentos

O Google DeepMind apresenta as Cheminformatics Skills para o Google Antigravity, que transformam o app numa bancada de trabalho para químicos computacionais e de bancada. A divisão de tarefas é clara: o modelo de linguagem cuida da orquestração do fluxo, da navegação em bancos de dados e do raciocínio científico. Os cálculos moleculares ficam com ferramentas determinísticas, baseadas no RDKit, com conectores para ChEMBL e PubChem. Isso importa porque, em química, trocar um único átomo ou ligação descreve outro composto.

No exemplo, o agente busca literatura sobre crizotinibe (cinco ligações rotacionáveis principais) e lorlatinibe (ciclizado, zero ligações rotacionáveis efetivas), extrai moléculas e dados associados e abre um visualizador interativo. Depois faz análise de matched molecular pairs, que comparou pares que diferem só pela ciclização e indicou que ela reduz ligações rotacionáveis e em geral aumenta a potência. O agente também treinou vários modelos de potência com diferentes conjuntos de features e arquiteturas, validados em conjunto separado. As skills orientam o uso de splits cronológicos, quando há data disponível, e de splits por scaffold como alternativa. Por fim, o agente propôs macrociclos com rotas de síntese, em cerca de uma hora, num fluxo que a fonte diz levar vários dias.

A fonte também marca os limites. Dados esparsos, ruído entre laboratórios e faixas dinâmicas estreitas limitam a precisão preditiva. Os designs são hipóteses testáveis, não fármacos prontos, e cada um precisa ser sintetizado e validado em laboratório. As skills estão disponíveis hoje no Antigravity, via plugin Science, inclusive para usuários Enterprise com conta Google Cloud. Há ainda oferta de acesso gratuito ao maior nível de uso por 6 meses para 10.000 cientistas, sujeita a elegibilidade, capacidade e seleção.

Para quem trabalha com IA aplicada à ciência, o ponto central é a arquitetura: LLM orquestra, ferramentas determinísticas calculam. Esse desenho reduz o risco de alucinação em tarefas onde um átomo errado invalida o resultado. Ao mesmo tempo, o ganho de tempo está na curadoria e na iteração, não em substituir a validação experimental, que continua sendo o gargalo real.