Google Antigravity сократил анализ тысяч молекул с нескольких дней до часа

У поиска новых лекарств есть неприятная инженерная правда: значительная часть времени уходит не на озарения, а на сбор и очистку данных. Химику приходится доставать структуры молекул из статей и изображений, сверять названия, отбрасывать растворители, связывать соединения с результатами экспериментов, а затем готовить всё это для анализа. Одна ошибка в атоме или связи — и система уже работает с другой молекулой.

Google DeepMind показала, как агент Antigravity с набором Cheminformatics Skills выполняет такой цикл примерно за час. В демонстрации он собрал данные о тысячах соединений, связанных с препаратами от немелкоклеточного рака лёгкого, сравнил их, построил модели активности и предложил новые молекулы вместе с возможными путями синтеза. Раньше подобная итерация занимала несколько дней и требовала участия специалиста по вычислительной химии.

Агент управляет процессом, инструменты считают

Главная идея здесь не в том, что языковую модель научили «угадывать химию». Ей поручили роль координатора: искать источники, выбирать следующий этап анализа, вызывать нужные программы и собирать результаты в отчёт. Расчёты и проверку структур выполняют специализированные инструменты — прежде всего открытая библиотека RDKit, а данные поступают из курируемых ресурсов вроде ChEMBL и PubChem.

Такое разделение полезно далеко за пределами химии. Языковая модель хорошо связывает шаги длинного процесса и объясняет их человеку, но плохо подходит для операций, где один неверный символ меняет результат. Поэтому молекулярные расчёты остаются у детерминированного кода, который можно повторно запустить и проверить.

В качестве примера команда взяла «укрепление» молекулы. Гибкая молекула способна принимать множество форм, но для связывания с мишенью ей нужна определённая конфигурация. Дополнительная химическая связь ограничивает движение и иногда повышает активность. Именно так более жёсткий макроциклический препарат лорлатиниб отличается от более гибкого кризотиниба.

Antigravity нашёл связанные соединения в литературе, очистил набор и показал их в интерактивном интерфейсе. На графике можно было сравнить клеточную активность с числом вращающихся связей: более жёсткие макроциклы в этом наборе чаще демонстрировали высокую активность. Это не доказывает универсальное правило, зато даёт исследователю понятную гипотезу для следующей проверки.

От поиска данных до новых кандидатов

После подготовки набора агент провёл анализ пар молекул, различавшихся небольшим изменением. Такой подход помогает оценить, что именно произошло после замыкания молекулы в цикл, не смешивая эффект с десятком других отличий. Затем система построила несколько моделей активности с разными признаками и архитектурами.

Важно, что модели проверяли не только на случайно отложенных примерах. Команда использовала разделение по химическим каркасам, чтобы тестовый набор заметнее отличался от обучающего. Если доступны даты публикации соединений, навыки также рекомендуют учить модель на старых данных и проверять на новых. Оба варианта лучше отражают реальную задачу: предсказать свойства незнакомой молекулы, а не узнать близкого родственника уже виденного соединения.

На последнем этапе агент предложил несколько новых макроциклов, объяснил химическую логику, подобрал возможные реакции и нарисовал схемы переноса электронов. Для каждого варианта он использовал ранее обученные модели, чтобы оценить ожидаемую активность. Результаты можно выгрузить в форматы, совместимые с отраслевым химическим ПО, или передать в дальнейшие расчёты, включая молекулярную динамику и анализ структур белков.

Где заканчивается ускорение

Это всё ещё демонстрация самой Google, а не независимое сравнение с работой лабораторий. В материале нет опубликованной серии физических экспериментов, подтверждающих, что предложенные соединения действительно синтезируются и работают лучше. Редкие данные, различия между лабораторными методиками и узкий диапазон измерений ограничивают точность любой модели.

Практический вывод для разработчиков агентных систем простой: ценность появляется не от автономного диалога модели с самой собой, а от связки с проверяемыми инструментами, источниками и контрольными точками для специалиста. Для продуктовой команды это хороший шаблон вертикального агента: взять дорогой многошаговый процесс, оставить вычисления профильному ПО, а модели отдать навигацию и объяснение. Но метрикой успеха должен быть не красивый отчёт, а сокращение времени до проверяемого эксперимента. Здесь заявленный результат — примерно час вместо нескольких дней; окончательный ответ всё равно даёт лаборатория.