Google Antigravity automatise la recherche et la conception de molécules pour le cancer du poumon
Image générée par l’équipe éditoriale d’Inferama
01

Annonce des Cheminformatics Skills sur Google Antigravity

Google DeepMind a intégré un ensemble de Cheminformatics Skills à la plateforme Google Antigravity pour accélérer les flux de travail de découverte de médicaments. Cette mise à jour, publiée le 3 novembre 2026, permet aux agents d'IA de gérer des tâches complexes de curation de données, de navigation dans les bases de données et de raisonnement scientifique.

Le système est conçu pour que les scientifiques se concentrent sur les hypothèses plutôt que sur la manipulation des données. La plateforme unifie différentes représentations moléculaires, telles que les noms IUPAC, les structures Markush et les fichiers SDF, réduisant le risque d'erreurs qui pourraient altérer l'identité d'un composé.

02

Architecture technique et outils déterministes

L'architecture d'Antigravity établit une division claire des tâches : le modèle de langage sous-jacent gère l'orchestration du flux et la navigation, tandis que des outils de chimie déterministes exécutent les calculs moléculaires. Cette séparation est cruciale pour maintenir la précision dans un domaine où un seul atome modifié change complètement la propriété du composé.

Le système s'appuie sur RDKit, le kit d'outils de chimioinformatique open source développé pendant deux décennies, et se connecte à des ressources curées de ChEMBL et PubChem. Ces intégrations permettent à l'agent d'appliquer les meilleures pratiques du domaine directement dans son flux de travail.

Composants techniques du flux de chimioinformatique

Résumé des outils et des bases de données qui soutiennent les Cheminformatics Skills sur Antigravity.

ComposantFonction principaleType
RDKitCalculs moléculaires et manipulation des structuresKit d'outils déterministe
ChEMBLAccès à des données biochimiques curéesBase de données externe
PubChemRecherche de composés et propriétés physiquesBase de données externe
Modèle de langageOrchestration, raisonnement et navigationAgent d'IA
03

Étude de cas : Rigidification des inhibiteurs de tyrosine kinase

Le flux de travail a été démontré en utilisant des traitements réels pour le cancer du poumon non à petites cellules. L'objectif était d'appliquer la technique de rigidification moléculaire pour améliorer la puissance des médicaments, un processus qui réduit la pénalité entropique en limitant les conformations possibles de la molécule.

L'agent a analysé le crizotinib, un inhibiteur de première génération avec cinq liaisons rotatives, et le lorlatinib, de troisième génération, qui a été cyclisé pour réduire ses liaisons rotatives à zéro. Cette modification structurelle permet à la molécule de maintenir la forme active nécessaire pour se lier à sa cible, augmentant ainsi son affinité de liaison.

04

Analyse des paires moléculaires et modélisation prédictive

Après avoir récupéré des milliers de composés de la littérature, l'agent a filtré les molécules non pertinentes telles que les tampons et les solvants. Il a ensuite réalisé une analyse des paires moléculaires correspondantes (MMPA) pour isoler les effets de petites modifications structurelles, comme la cyclisation, sur la puissance cellulaire.

Le système a construit plusieurs modèles d'apprentissage automatique pour prédire la puissance, en utilisant des ensembles de caractéristiques variés et des architectures différentes. Pour valider ces modèles, des divisions chronologiques et des divisions par scaffold ont été employées pour estimer mieux la généralisation face aux données hors distribution.

Flux d'analyse des données moléculaires

Étapes exécutées par l'agent pour passer de la littérature à la proposition de conception.

  1. 01Extraction de molécules d'articles et de catalogues de fournisseurs.
  2. 02Filtrage des composés non pertinents et documentation des sources.
  3. 03Exécution de la MMPA pour comparer des paires de molécules cyclisées et non cyclisées.
  4. 04Entraînement et validation des modèles de puissance avec des divisions par scaffold.
  5. 05Proposition de nouveaux macrocycles et de voies de synthèse basées sur les résultats.
05

Limites expérimentales et validation des hypothèses

Bien que le flux ait réduit le temps d'une itération de plusieurs jours à une heure, Google DeepMind souligne que les conceptions computationnelles sont des hypothèses testables, et non des médicaments finis. La précision prédictive reste limitée par la rareté des données, le bruit entre laboratoires et les plages dynamiques étroites des essais.

Chaque conception proposée par l'agent doit être synthétisée et validée expérimentalement avant de lui attribuer une valeur pharmacologique. Le système peut préparer ces composés pour des analyses ultérieures avec AlphaFold ou des simulations de dynamique moléculaire, mais la confirmation finale réside dans la validation biologique en laboratoire.

06

Poursuivre l’exploration

Sources consultées

03

Corrections et transparence

Si vous repérez une information incorrecte ou obsolète, envoyez-nous la page et la source à vérifier.

Proposer une correction