Google Antigravity automatiza la búsqueda y diseño de moléculas para el cáncer de pulmón
Imagen generada por el Equipo Editorial de Inferama
01

Anuncio de Cheminformatics Skills en Google Antigravity

Google DeepMind ha integrado un conjunto de Cheminformatics Skills en la plataforma Google Antigravity para acelerar los flujos de trabajo de descubrimiento de fármacos. Esta actualización, publicada el 3 de noviembre de 2026, permite a los agentes de IA gestionar tareas complejas de curación de datos, navegación de bases de datos y razonamiento científico.

El sistema está diseñado para que los científicos se centren en las hipótesis en lugar de en la manipulación de datos. La plataforma unifica diferentes representaciones moleculares, como nombres IUPAC, estructuras Markush y archivos SDF, reduciendo el riesgo de errores que podrían alterar la identidad de un compuesto.

La unificación de formatos moleculares aborda una barrera técnica frecuente en la investigación, donde la inconsistencia en la nomenclatura o la estructura de los archivos puede introducir errores sutiles en la identificación de compuestos. Al normalizar estas representaciones, el sistema facilita la interoperabilidad entre diferentes etapas del descubrimiento, permitiendo que los datos fluyan sin pérdida de información estructural o semántica.

02

Arquitectura técnica y herramientas deterministas

La arquitectura de Antigravity establece una división de trabajo clara: el modelo de lenguaje subyacente se encarga de la orquestación del flujo y la navegación, mientras que herramientas de química deterministas ejecutan los cálculos moleculares. Esta separación es crucial para mantener la precisión en un campo donde un solo átomo alterado cambia por completo la propiedad del compuesto.

El sistema se basa en RDKit, el kit de herramientas de quimioinformática de código abierto desarrollado durante dos décadas, y se conecta con recursos curados de ChEMBL y PubChem. Estas integraciones permiten al agente aplicar mejores prácticas del dominio directamente en su flujo de trabajo.

La dependencia de RDKit como núcleo computacional garantiza que las operaciones de manipulación molecular sigan reglas químicas estrictas y reproducibles, evitando las ambigüedades propias de los modelos generativos puros. Esta base determinista actúa como un ancla de precisión, asegurando que las transformaciones estructurales propuestas por el agente sean químicamente válidas antes de ser evaluadas por los modelos predictivos.

Componentes técnicos del flujo de quimioinformática

Resumen de las herramientas y bases de datos que soportan las Cheminformatics Skills en Antigravity.

ComponenteFunción principalTipo
RDKitCálculos moleculares y manipulación de estructurasKit de herramientas determinista
ChEMBLAcceso a datos bioquímicos curadosBase de datos externa
PubChemBúsqueda de compuestos y propiedades físicasBase de datos externa
Modelo de lenguajeOrquestación, razonamiento y navegaciónAgente de IA
03

Caso de estudio: Rigidificación de inhibidores de tirosina quinasa

El flujo de trabajo se demostró utilizando tratamientos reales para el cáncer de pulmón no microcítico. El objetivo fue aplicar la técnica de rigidificación molecular para mejorar la potencia de los fármacos, un proceso que reduce la penalización entrópica al limitar las conformaciones posibles de la molécula.

El agente analizó el crizotinib, un inhibidor de primera generación con cinco enlaces rotatables, y el lorlatinib, de tercera generación, que ha sido ciclado para reducir sus enlaces rotatables a cero. Esta modificación estructural permite a la molécula mantener la forma activa necesaria para unirse a su diana, aumentando así su afinidad de unión.

La reducción de los enlaces rotatables en el lorlatinib ilustra cómo la restricción conformacional puede optimizar la interacción con la diana proteica. Al minimizar la flexibilidad molecular, el fármaco conserva la geometría necesaria para el encaje en el sitio activo, lo que se traduce en una mayor selectividad y potencia terapéutica frente a las generaciones anteriores de inhibidores.

04

Análisis de pares moleculares y modelado predictivo

Tras recuperar miles de compuestos de la literatura, el agente filtró moléculas irrelevantes como buffers y disolventes. A continuación, realizó un análisis de pares moleculares coincidentes (MMPA) para aislar los efectos de pequeños cambios estructurales, como la ciclación, en la potencia celular.

El sistema construyó múltiples modelos de aprendizaje automático para predecir la potencia, utilizando conjuntos de características variados y arquitecturas diferentes. Para validar estos modelos, se emplearon divisiones cronológicas y divisiones por andamiaje (scaffold splits) para estimar mejor la generalización ante datos fuera de distribución.

El uso de divisiones por andamiaje en la validación de modelos es fundamental para evaluar la capacidad de generalización del sistema ante estructuras químicas no vistas durante el entrenamiento. Este enfoque permite detectar sobreajustes y asegura que las predicciones de potencia sean robustas incluso cuando el modelo se enfrenta a nuevos esqueletos moleculares, un aspecto crítico para la propuesta de nuevos compuestos.

Flujo de análisis de datos moleculares

Pasos ejecutados por el agente para pasar de la literatura a la propuesta de diseño.

  1. 01Extracción de moléculas de artículos y catálogos de proveedores.
  2. 02Filtrado de compuestos no relevantes y documentación de fuentes.
  3. 03Ejecución de MMPA para comparar pares de moléculas cicladas y no cicladas.
  4. 04Entrenamiento y validación de modelos de potencia con divisiones por andamiaje.
  5. 05Propuesta de nuevos macrociclos y rutas de síntesis basadas en los resultados.
05

Límites experimentales y validación de hipótesis

Aunque el flujo redujo el tiempo de una iteración de varios días a una hora, Google DeepMind enfatiza que los diseños computacionales son hipótesis comprobables, no fármacos terminados. La precisión predictiva sigue limitada por la escasez de datos, el ruido entre laboratorios y los rangos dinámicos estrechos de los ensayos.

Cada diseño propuesto por el agente debe ser sintetizado y validado experimentalmente antes de atribuirle valor farmacológico. El sistema puede preparar estos compuestos para análisis posteriores con AlphaFold o simulaciones de dinámica molecular, pero la confirmación final reside en la validación biológica en el laboratorio.

La integración con herramientas como AlphaFold o simulaciones de dinámica molecular amplía el alcance del análisis computacional, permitiendo explorar la dinámica de unión y la estabilidad estructural de los candidatos propuestos. Sin embargo, estos modelos in silico complementan, pero no reemplazan, la necesidad de confirmar la actividad biológica mediante ensayos in vitro e in vivo, que siguen siendo el estándar definitivo para la validación farmacológica.

06

Continúa explorando

Fuentes consultadas

03

Correcciones y transparencia

Si detectas un dato incorrecto o desactualizado, puedes enviarnos una corrección indicando la página y la fuente que debemos revisar.

Proponer una corrección