Google Antigravity automatisiert die Molekülsuche und -gestaltung für Lungenkrebstherapien
Bild erstellt vom Redaktionsteam von Inferama
01

Ankündigung der Cheminformatics Skills in Google Antigravity

Google DeepMind hat einen Satz an Cheminformatics Skills in die Plattform Google Antigravity integriert, um Workflows in der Wirkstoffentwicklung zu beschleunigen. Diese Aktualisierung, veröffentlicht am 3. November 2026, ermöglicht KI-Agenten, komplexe Aufgaben der Datenaufbereitung, der Navigation in Datenbanken und des wissenschaftlichen Reasonings zu verwalten.

Das System ist so konzipiert, dass Wissenschaftler sich auf Hypothesen konzentrieren können, anstatt sich mit der Datenmanipulation zu beschäftigen. Die Plattform vereinfacht verschiedene molekulare Darstellungen, wie IUPAC-Namen, Markush-Strukturen und SDF-Dateien, und reduziert das Risiko von Fehlern, die die Identität eines Verbindungs vollständig verändern könnten.

Die Integration dieser Fähigkeiten zielt darauf ab, die kognitive Last der Forscher zu verringern, indem sie repetitive und fehleranfällige Schritte der Datenkuratierung automatisiert. Durch die standardisierte Handhabung verschiedener chemischer Notationen wird sichergestellt, dass die Grundlage für das wissenschaftliche Reasoning konsistent und frei von manuellen Übertragungsfehlern bleibt.

02

Technische Architektur und deterministische Werkzeuge

Die Architektur von Antigravity etabliert eine klare Arbeitsteilung: Das zugrunde liegende Sprachmodell übernimmt die Orchestrierung des Workflows und die Navigation, während deterministische Chemie-Werkzeuge die molekularen Berechnungen ausführen. Diese Trennung ist entscheidend, um die Präzision in einem Feld aufrechtzuerhalten, in dem ein einzelnes verändertes Atom die Eigenschaften des Verbindungs komplett ändert.

Das System basiert auf RDKit, dem Open-Source-Toolkit für Chemoinformatik, das über zwei Jahrzehnte entwickelt wurde, und verbindet sich mit kuratierten Ressourcen aus ChEMBL und PubChem. Diese Integrationen ermöglichen es dem Agenten, branchenspezifische Best Practices direkt in seinen Workflow einzubetten.

Diese architektonische Trennung stellt sicher, dass die molekularen Berechnungen reproduzierbar und exakt sind, unabhängig von der probabilistischen Natur des Sprachmodells. Während der Agent die strategische Richtung und die Interpretation der Ergebnisse steuert, liefern die deterministischen Werkzeuge die mathematisch fundierten Daten, die für die Validierung der chemischen Strukturen unerlässlich sind.

Technische Komponenten des Chemoinformatik-Workflows

Zusammenfassung der Werkzeuge und Datenbanken, die die Cheminformatics Skills in Antigravity unterstützen.

KomponenteHauptfunktionTyp
RDKitMolekulare Berechnungen und StrukturmanipulationDeterministisches Toolkit
ChEMBLZugang zu kuratierten biochemischen DatenExterne Datenbank
PubChemSuche nach Verbindungen und physikalischen EigenschaftenExterne Datenbank
SprachmodellOrchestrierung, Reasoning und NavigationKI-Agent
03

Fallstudie: Rigidierung von Tyrosinkinase-Inhibitoren

Der Workflow wurde anhand realer Behandlungen für nicht-kleinzelliges Lungenkarzinom demonstriert. Das Ziel war die Anwendung der Technik der molekularen Rigidierung, um die Potenz der Wirkstoffe zu verbessern, ein Prozess, der die entropische Strafe reduziert, indem er die möglichen Konformationen des Moleküls einschränkt.

Der Agent analysierte Crizotinib, einen Inhibitor der ersten Generation mit fünf rotierbaren Bindungen, und Lorlatinib, einen Inhibitor der dritten Generation, der zyklisiert wurde, um seine rotierbaren Bindungen auf null zu reduzieren. Diese strukturelle Modifikation ermöglicht es dem Molekül, die aktive Form beizubehalten, die für die Bindung an sein Ziel benötigt wird, und erhöht so die Bindungsaffinität.

Die Reduktion der rotierbaren Bindungen ist ein klassischer Ansatz in der Wirkstoffoptimierung, um die thermodynamische Stabilität der gebundenen Konformation zu erhöhen. Durch die Einschränkung der inneren Rotation wird die Wahrscheinlichkeit, dass das Molekül in der aktiven Tasche des Enzyms die korrekte räumliche Anordnung einnimmt, signifikant gesteigert, was direkt zur verbesserten Bindungsaffinität beiträgt.

04

Analyse von Molekülpaaren und prädiktives Modellierung

Nach der Wiederherstellung von Tausenden von Verbindungen aus der Literatur filterte der Agent irrelevante Moleküle wie Puffer und Lösungsmittel heraus. Anschließend führte er eine Analyse übereinstimmender Molekülpaare (MMPA) durch, um die Auswirkungen kleiner struktureller Änderungen, wie der Zyklisierung, auf die zelluläre Potenz zu isolieren.

Das System baute mehrere Machine-Learning-Modelle, um die Potenz vorherzusagen, wobei verschiedene Merkmalsätze und Architekturen verwendet wurden. Zur Validierung dieser Modelle wurden chronologische Aufteilungen und Scaffold-Splits eingesetzt, um die Generalisierbarkeit auf Daten außerhalb der Verteilung besser abzuschätzen.

Die Verwendung von Scaffold-Splits bei der Validierung ist besonders wichtig, um zu verhindern, dass die Modelle nur oberflächliche Ähnlichkeiten zwischen verwandten Molekülen lernen. Diese Methode testet die Fähigkeit des Systems, auf strukturell neue Gerüste zu generalisieren, was für die Entdeckung von Wirkstoffen mit neuartigen Mechanismen oder gegen resistente Zielstrukturen von entscheidender Bedeutung ist.

Workflow der molekularen Datenanalyse

Schritte, die der Agent durchführt, um von der Literatur zum Designvorschlag zu gelangen.

  1. 01Extraktion von Molekülen aus Artikeln und Lieferantenkatalogen.
  2. 02Filterung irrelevanter Verbindungen und Dokumentation der Quellen.
  3. 03Durchführung der MMPA zum Vergleich zyklisierter und nicht-zyklisierter Molekülpaare.
  4. 04Training und Validierung von Potenzmodellen mit Scaffold-Splits.
  5. 05Vorschlag neuer Makrozyklen und Synthesewege basierend auf den Ergebnissen.
05

Experimentelle Grenzen und Validierung von Hypothesen

Obwohl der Workflow die Zeit für eine Iteration von mehreren Tagen auf eine Stunde reduzierte, betont Google DeepMind, dass computergestützte Designs prüfbare Hypothesen und keine fertigen Wirkstoffe sind. Die prädiktive Präzision bleibt durch Datenknappheit, Rauschen zwischen Laboren und enge dynamische Bereiche der Assays begrenzt.

Jeder vom Agenten vorgeschlagene Design muss vor der Zuschreibung pharmakologischer Werte synthetisiert und experimentell validiert werden. Das System kann diese Verbindungen für spätere Analysen mit AlphaFold oder Molekulardynamik-Simulationen vorbereiten, aber die endgültige Bestätigung liegt in der biologischen Validierung im Labor.

Die enge dynamischen Bereiche der Assays bedeuten, dass kleine Messfehler in der experimentellen Durchführung zu großen Unsicherheiten in den geschätzten Potenzwerten führen können. Daher ist die experimentelle Bestätigung nicht nur ein formaler Schritt, sondern eine notwendige Bedingung, um die biologische Relevanz der computergestützten Vorschläge tatsächlich zu belegen und von reinen Korrelationen zu unterscheiden.

06

Weiter entdecken

Verwendete Quellen

03

Korrekturen und Transparenz

Wenn du falsche oder veraltete Angaben findest, sende uns die Seite und die zu prüfende Quelle.

Korrektur vorschlagen