Google Antigravity reduziu de varios dias para uma hora a analise de milhares de moleculas

A busca por novos medicamentos tem uma verdade de engenharia inconveniente: uma parte consideravel do tempo nao e gasta com lampejos de inspiracao, mas com a coleta e a limpeza de dados. O quimico precisa extrair estruturas moleculares de artigos e imagens, conferir nomes, descartar solventes, vincular compostos a resultados experimentais e, depois, preparar tudo isso para analise. Um unico erro em um atomo ou ligacao, e o sistema ja estara trabalhando com outra molecula.

O Google DeepMind mostrou como o agente Antigravity, equipado com um conjunto de Cheminformatics Skills, executa esse ciclo em cerca de uma hora. Na demonstracao, ele coletou dados sobre milhares de compostos associados a medicamentos para cancer de pulmao de nao pequenas celulas, comparou-os, construiu modelos de atividade e propos novas moleculas, juntamente com possiveis rotas de sintese. Antes, uma iteracao semelhante levava varios dias e exigia a participacao de um especialista em quimica computacional.

O agente gerencia o processo; as ferramentas fazem os calculos

A ideia central nao e que um modelo de linguagem tenha aprendido a “adivinhar a quimica”. Ele recebeu o papel de coordenador: buscar fontes, escolher a proxima etapa da analise, acionar os programas necessarios e reunir os resultados em um relatorio. Os calculos e a validacao das estruturas sao realizados por ferramentas especializadas—principalmente a biblioteca de codigo aberto RDKit—enquanto os dados vem de recursos com curadoria, como ChEMBL e PubChem.

Essa divisao de trabalho e util muito alem da quimica. Um modelo de linguagem e bom em conectar as etapas de um processo longo e explica-las a uma pessoa, mas e inadequado para operacoes em que um unico caractere incorreto altera o resultado. Por isso, os calculos moleculares permanecem a cargo de codigo deterministico, que pode ser executado novamente e verificado.

Como exemplo, a equipe escolheu a “rigidificacao” de uma molecula. Uma molecula flexivel pode assumir muitas formas, mas precisa de uma configuracao especifica para se ligar ao alvo. Uma ligacao quimica adicional restringe o movimento e, as vezes, aumenta a atividade. E assim que o lorlatinib, um medicamento macrociclico mais rigido, difere do crizotinib, que e mais flexivel.

O Antigravity encontrou compostos relacionados na literatura, limpou o conjunto de dados e os exibiu em uma interface interativa. Um grafico permitia comparar a atividade celular com o numero de ligacoes rotacionaveis: nesse conjunto, os macrociclos mais rigidos apresentaram alta atividade com maior frequencia. Isso nao comprova uma regra universal, mas oferece ao pesquisador uma hipotese clara para o proximo teste.

Da busca por dados a novos candidatos

Depois de preparar o conjunto de dados, o agente analisou pares de moleculas que diferiam por uma pequena modificacao. Essa abordagem ajuda a avaliar o que ocorreu especificamente depois que a molecula foi fechada em um anel, sem misturar esse efeito com uma dezena de outras diferencas. Em seguida, o sistema construiu varios modelos de atividade com diferentes caracteristicas e arquiteturas.

E importante destacar que os modelos nao foram testados apenas em exemplos separados aleatoriamente. A equipe utilizou uma divisao por esqueletos quimicos para que o conjunto de teste fosse mais claramente diferente do conjunto de treinamento. Quando as datas de publicacao dos compostos estao disponiveis, as capacidades tambem recomendam treinar o modelo com dados antigos e testa-lo com dados novos. As duas opcoes representam melhor a tarefa real: prever as propriedades de uma molecula desconhecida, e nao reconhecer um parente proximo de um composto ja observado.

Na etapa final, o agente propos varios novos macrociclos, explicou a logica quimica, selecionou possiveis reacoes e desenhou esquemas de transferencia de eletrons. Para cada opcao, utilizou os modelos treinados anteriormente para estimar a atividade esperada. Os resultados podem ser exportados em formatos compativeis com softwares quimicos padrao do setor ou encaminhados para calculos adicionais, incluindo dinamica molecular e analise de estruturas de proteinas.

Onde a aceleracao termina

Tudo isso ainda e uma demonstracao da propria Google, e nao uma comparacao independente com o trabalho de laboratorios. O material nao inclui uma serie publicada de experimentos fisicos que confirme que os compostos propostos realmente podem ser sintetizados e funcionam melhor. Dados escassos, diferencas entre protocolos laboratoriais e uma faixa estreita de medicoes limitam a precisao de qualquer modelo.

A conclusao pratica para desenvolvedores de sistemas agenticos e simples: o valor nao surge de um dialogo autonomo do modelo consigo mesmo, mas de sua conexao com ferramentas verificaveis, fontes e pontos de controle para especialistas. Para uma equipe de produto, esse e um bom modelo de agente vertical: pegar um processo caro e composto por varias etapas, deixar os calculos para softwares especializados e atribuir ao modelo a navegacao e a explicacao. Mas a metrica de sucesso nao deve ser um relatorio bonito, e sim a reducao do tempo necessario para chegar a um experimento verificavel. O resultado declarado aqui e de cerca de uma hora em vez de varios dias; a resposta definitiva ainda vem do laboratorio.