Google Antigravity redujo de varios dias a una hora el analisis de miles de moleculas

La busqueda de nuevos farmacos encierra una incomoda realidad de ingenieria: una parte considerable del tiempo no se dedica a momentos de inspiracion, sino a recopilar y depurar datos. Los quimicos tienen que extraer estructuras moleculares de articulos e imagenes, cotejar nombres, descartar disolventes, vincular compuestos con resultados experimentales y, despues, preparar todo para el analisis. Basta un error en un atomo o un enlace para que el sistema ya este trabajando con otra molecula.

Google DeepMind mostro como el agente Antigravity, equipado con un conjunto de Cheminformatics Skills, puede completar este ciclo en aproximadamente una hora. En la demostracion, recopilo datos sobre miles de compuestos relacionados con farmacos para el cancer de pulmon de celulas no pequenas, los comparo, construyo modelos de actividad y propuso nuevas moleculas junto con posibles rutas de sintesis. Antes, una iteracion similar llevaba varios dias y requeria la participacion de un especialista en quimica computacional.

El agente gestiona el proceso; las herramientas hacen los calculos

La idea principal no es que se haya ensenado a un modelo de lenguaje a “adivinar la quimica”. Se le asigno el papel de coordinador: buscar fuentes, elegir la siguiente etapa del analisis, ejecutar los programas necesarios y reunir los resultados en un informe. Los calculos y la validacion de estructuras corren a cargo de herramientas especializadas—principalmente la biblioteca de codigo abierto RDKit—mientras que los datos proceden de recursos curados como ChEMBL y PubChem.

Esta division del trabajo resulta util mucho mas alla de la quimica. Un modelo de lenguaje es bueno conectando las etapas de un proceso largo y explicandoselas a una persona, pero no es adecuado para operaciones en las que un solo caracter incorrecto cambia el resultado. Por eso, los calculos moleculares quedan en manos de codigo determinista que puede volver a ejecutarse y verificarse.

Como ejemplo, el equipo eligio la “rigidificacion” de una molecula. Una molecula flexible puede adoptar muchas formas, pero necesita una configuracion concreta para unirse a su diana. Un enlace quimico adicional restringe el movimiento y, en ocasiones, aumenta la actividad. Asi es como lorlatinib, un farmaco macrociclico mas rigido, se diferencia de crizotinib, que es mas flexible.

Antigravity encontro compuestos relacionados en la literatura, depuro el conjunto de datos y los mostro en una interfaz interactiva. Un grafico permitia comparar la actividad celular con el numero de enlaces rotables: en este conjunto, los macrociclos mas rigidos mostraban con mayor frecuencia una actividad elevada. Esto no demuestra una regla universal, pero ofrece al investigador una hipotesis clara para la siguiente prueba.

De la busqueda de datos a nuevos candidatos

Tras preparar el conjunto de datos, el agente analizo pares de moleculas que se diferenciaban por una pequena modificacion. Este enfoque ayuda a estimar que ocurrio exactamente al cerrar una molecula en un anillo, sin mezclar el efecto con una decena de diferencias adicionales. Despues, el sistema construyo varios modelos de actividad con distintas caracteristicas y arquitecturas.

Es importante senalar que los modelos no se evaluaron unicamente con ejemplos separados al azar. El equipo utilizo una particion basada en esqueletos quimicos para que el conjunto de prueba difiriera de forma mas marcada del conjunto de entrenamiento. Cuando se dispone de las fechas de publicacion de los compuestos, las capacidades tambien recomiendan entrenar el modelo con datos antiguos y evaluarlo con datos nuevos. Ambas opciones reflejan mejor la tarea real: predecir las propiedades de una molecula desconocida, en lugar de reconocer a un pariente cercano de un compuesto ya visto.

En la etapa final, el agente propuso varios macrociclos nuevos, explico la logica quimica, selecciono posibles reacciones y dibujo esquemas de transferencia de electrones. Para cada opcion, utilizo los modelos entrenados previamente para estimar la actividad esperada. Los resultados pueden exportarse en formatos compatibles con software quimico estandar del sector o enviarse a calculos posteriores, incluidos la dinamica molecular y el analisis de estructuras proteicas.

Donde termina la aceleracion

Todo esto sigue siendo una demostracion de la propia Google, no una comparacion independiente con el trabajo de los laboratorios. El material no incluye una serie publicada de experimentos fisicos que confirme que los compuestos propuestos realmente pueden sintetizarse y funcionan mejor. La escasez de datos, las diferencias entre los protocolos de laboratorio y el estrecho intervalo de las mediciones limitan la precision de cualquier modelo.

La conclusion practica para los desarrolladores de sistemas agenticos es sencilla: el valor no surge de que el modelo mantenga un dialogo autonomo consigo mismo, sino de conectarlo con herramientas verificables, fuentes y puntos de control para especialistas. Para un equipo de producto, este es un buen modelo de agente vertical: tomar un proceso caro y compuesto por multiples etapas, dejar los calculos al software especializado y encargar al modelo la navegacion y las explicaciones. Pero la metrica de exito no debe ser un informe atractivo, sino la reduccion del tiempo necesario para llegar a un experimento verificable. El resultado declarado aqui es de aproximadamente una hora en lugar de varios dias; la respuesta definitiva sigue correspondiendo al laboratorio.