El radar
Google DeepMind integró un conjunto de herramientas de cheminformática en Google Antigravity que deja a un agente buscar literatura química, analizar moléculas y proponer compuestos nuevos con rutas de síntesis en una hora, un proceso que antes tomaba días.
Diseñar un medicamento nuevo implica curar datos de gráficos, figuras y literatura científica antes de siquiera empezar a modelar o proponer candidatos. Ese trabajo de wrangling es lento porque una misma molécula puede aparecer representada de formas muy distintas: como nombre IUPAC en un artículo, como estructura Markush en una patente, o como archivo SDF en un catálogo de proveedor. Unificar esas representaciones es delicado porque no hay margen de error: cambiar un solo átomo o enlace describe un compuesto distinto, y eso puede convertir un inhibidor prometedor en una molécula inerte. Según las notas, ese ciclo completo de curación, modelado y propuesta de candidatos normalmente toma varios días por iteración.
Google DeepMind construyó un conjunto de Cheminformatics Skills para Google Antigravity que convierte la interfaz en un banco de trabajo científico colaborativo, con acceso a herramientas locales tanto para químicos computacionales como para químicos de laboratorio. El diseño reparte el trabajo: el modelo de lenguaje se encarga de orquestar el flujo, navegar bases de datos y razonar científicamente, mientras que herramientas deterministas ejecutan los cálculos moleculares. Esas herramientas están basadas en RDKit, el toolkit de cheminformática open source desarrollado durante dos décadas por una comunidad global, junto con conectores a ChEMBL y PubChem. Las skills codifican buenas prácticas del dominio directamente en el flujo del agente, en vez de dejar que el modelo improvise sobre datos químicos sensibles a errores.
Para mostrar el funcionamiento, el equipo usó un ejemplo clásico de química medicinal: la rigidificación de moléculas. Una molécula de fármaco puede tener varios enlaces rotables que le permiten adoptar muchas formas tridimensionales en solución, lo que la vuelve 'floppy'. Para unirse a su objetivo, sin embargo, la molécula necesita fijarse en una sola forma activa, y perder esa libertad de movimiento tiene un costo entrópico que debilita la afinidad de unión. Los químicos medicinales suelen resolver esto agregando un enlace adicional que limite drásticamente el movimiento, una estrategia descrita como 'pagar el costo entrópico por adelantado'. El ejemplo concreto es crizotinib, un inhibidor de tirosina quinasa de primera generación con cinco enlaces rotables principales, frente a lorlatinib, de tercera generación, que se cicliza en un extremo para reducir esos enlaces rotables a cero y gana potencia.
El agente recibe la instrucción de buscar en literatura académica y de patentes compuestos macrocíclicos y acíclicos de las series de crizotinib y lorlatinib. En minutos, recupera miles de compuestos, filtra moléculas irrelevantes como buffers y solventes, y documenta las fuentes en un reporte. Ese reporte incluye un análisis inicial del conjunto recuperado, por ejemplo señalando que los macrociclos tienden a ser penetrantes en el cerebro, un dato relevante porque el cáncer de pulmón objetivo suele metastatizar ahí. Además, el agente lanza un visor interactivo con los compuestos curados, sus datos asociados y gráficos de dispersión personalizables, donde graficar potencia contra enlaces rotables, coloreado por estatus de macrociclo, muestra de inmediato que los macrociclos como lorlatinib tienen menos enlaces rotables y mayor potencia.
Con los datos curados, el agente pasa a un análisis más avanzado: el matched molecular pair analysis (MMPA), una técnica que aísla el efecto de un cambio puntual en una molécula comparando pares que difieren solo en ese cambio. El agente sugirió este análisis por su cuenta, anticipando que el conjunto de datos contendría muchos pares informativos, y los resultados confirmaron que la ciclización reduce los enlaces rotables y generalmente aumenta la potencia. En paralelo, el agente construyó numerosos modelos de potencia con distintos conjuntos de características y arquitecturas, validándolos sobre un conjunto reservado. Las skills le dan guía sobre buenas prácticas de machine learning molecular: usa splits cronológicos cuando hay información temporal disponible, entrenando con compuestos antiguos para predecir los nuevos, o recurre a splits por scaffold para estimar mejor la capacidad de generalización.
En el paso final, el agente usa lo aprendido para diseñar nuevos macrociclos mejorados, recomendando múltiples reacciones y rutas de síntesis con distintos compuestos. La skill le da herramientas para manipular y validar reacciones, generar diagramas de flechas curvas que representan el movimiento de electrones, y buscar reacciones similares en bases de datos públicas. El agente combinó su conocimiento propio con los modelos de MMPA y predicción de potencia desarrollados antes, explicó su razonamiento de química medicinal y propuso rutas de síntesis consistentes con procedimientos documentados, además de predecir la potencia de cada diseño con los modelos ya entrenados. Los compuestos resultantes pueden prepararse para análisis posteriores con AlphaFold o técnicas basadas en física como simulación de dinámica molecular, y exportarse en formatos compatibles con software de química estándar de la industria.
Las notas son explícitas sobre los límites: datos escasos, ruido entre ensayos de distintos laboratorios y rangos dinámicos estrechos limitan la precisión predictiva incluso de los modelos más sofisticados. Los diseños computacionales son hipótesis que hay que poner a prueba, no fármacos terminados. Con las Cheminformatics Skills en Antigravity, un científico de descubrimiento de fármacos puede generar hipótesis de diseño mejor respaldadas y más rápido, pero cada propuesta todavía necesita sintetizarse y validarse experimentalmente en el laboratorio.
Las Cheminformatics Skills ya están disponibles en Google Antigravity: se activan descargando la app e instalando el plugin de Science. Los usuarios Enterprise pueden acceder eligiendo 'Use Business Account' e iniciando sesión con credenciales de Google Cloud. Google DeepMind también ofrece el nivel de uso más alto de Antigravity gratis durante seis meses a 10.000 científicos, incorporados de forma progresiva y sujeto a elegibilidad, capacidad y selección, con postulaciones abiertas.
Las Cheminformatics Skills combinan un modelo de lenguaje que orquesta el flujo con herramientas deterministas de RDKit, ChEMBL y PubChem para los cálculos moleculares exactos.
El ejemplo de crizotinib y lorlatinib muestra cómo el agente identifica que ciclizar una molécula reduce enlaces rotables y aumenta potencia, replicando un principio conocido de química medicinal.
El flujo completo —búsqueda en literatura, MMPA, modelos predictivos y diseño de nuevos compuestos con rutas de síntesis— se ejecuta en una hora frente a los varios días que tomaba antes.
Los diseños que propone el agente son hipótesis computacionales: necesitan síntesis y validación experimental antes de considerarse candidatos reales.
La herramienta ya está disponible vía plugin de Science en Antigravity, con acceso Enterprise y un programa de uso gratuito para 10.000 científicos.
Este resumen lo escribimos a partir de las notas oficiales del anuncio. Lo que no estaba ahí, no está aquí.
Tu pedido
Si varias personas la piden, entra al programa como un video animado de 5 a 8 minutos. No hace falta dejar correo ni nombre.
Más del radar
Solo en textoGoogle DeepMindNova
Google DeepMind amplía a 15 segundos la generación nativa de video, mejora la consistencia entre tomas y baja el precio un 30%. Ya está disponible en la API de Gemini, Google Vids y Gemini for business.
Nova
ADK 2.13 estabiliza 12 funciones experimentales, suma un clasificador que enruta workflows sin llamar a un LLM, habilita audio en vivo con barge-in y agrega MongoDB como backend de sesiones y memoria.
Nova
La versión 0.13.13 suma un driver para las herramientas de navegador de OpenAI y corrige dos bugs de integración: URLs vacías en Cloud y coordenadas desalineadas en pantallas con escalado.