Google Antigravity automatizza la ricerca e il design di molecole per il cancro al polmone
Immagine generata dalla Redazione di Inferama
01

Annuncio di Cheminformatics Skills in Google Antigravity

Google DeepMind ha integrato un insieme di Cheminformatics Skills nella piattaforma Google Antigravity per accelerare i flussi di lavoro di scoperta dei farmaci. Questo aggiornamento, pubblicato il 3 novembre 2026, consente agli agenti di IA di gestire compiti complessi di curatela dei dati, navigazione dei database e ragionamento scientifico.

Il sistema è progettato per permettere agli scienziati di concentrarsi sulle ipotesi anziché sulla manipolazione dei dati. La piattaforma unifica diverse rappresentazioni molecolari, come nomi IUPAC, strutture Markush e file SDF, riducendo il rischio di errori che potrebbero alterare l'identità di un composto.

02

Architettura tecnica e strumenti deterministici

L'architettura di Antigravity stabilisce una chiara divisione del lavoro: il modello linguistico sottostante si occupa dell'orchestrazione del flusso e della navigazione, mentre gli strumenti chimici deterministici eseguono i calcoli molecolari. Questa separazione è cruciale per mantenere la precisione in un campo in cui un singolo atomo alterato cambia completamente la proprietà del composto.

Il sistema si basa su RDKit, il toolkit open source di chemioinformatica sviluppato per due decenni, e si connette a risorse curate di ChEMBL e PubChem. Queste integrazioni permettono all'agente di applicare le migliori pratiche del dominio direttamente nel suo flusso di lavoro.

Componenti tecnici del flusso di chemioinformatica

Riepilogo degli strumenti e dei database che supportano le Cheminformatics Skills in Antigravity.

ComponenteFunzione principaleTipo
RDKitCalcoli molecolari e manipolazione delle struttureToolkit deterministico
ChEMBLAccesso a dati biochimici curatiDatabase esterno
PubChemRicerca di composti e proprietà fisicheDatabase esterno
Modello linguisticoOrchestrazione, ragionamento e navigazioneAgente IA
03

Caso di studio: Rigidificazione degli inibitori di tirosin-chinasi

Il flusso di lavoro è stato dimostrato utilizzando trattamenti reali per il carcinoma polmonare non a piccole cellule. L'obiettivo era applicare la tecnica di rigidificazione molecolare per migliorare la potenza dei farmaci, un processo che riduce la penalità entropica limitando le conformazioni possibili della molecola.

L'agente ha analizzato il crizotinib, un inibitore di prima generazione con cinque legami rotabili, e il lorlatinib, di terza generazione, che è stato ciclizzato per ridurre i suoi legami rotabili a zero. Questa modifica strutturale consente alla molecola di mantenere la forma attiva necessaria per legarsi al suo bersaglio, aumentando così l'affinità di legame.

04

Analisi delle coppie molecolari e modellazione predittiva

Dopo aver recuperato migliaia di composti dalla letteratura, l'agente ha filtrato molecole irrilevanti come buffer e solventi. Successivamente, ha eseguito un'analisi delle coppie molecolari corrispondenti (MMPA) per isolare gli effetti di piccoli cambiamenti strutturali, come la ciclizzazione, sulla potenza cellulare.

Il sistema ha costruito diversi modelli di machine learning per prevedere la potenza, utilizzando set di funzionalità vari e architetture diverse. Per validare questi modelli, sono state impiegate divisioni cronologiche e divisioni per scaffold per stimare meglio la generalizzazione su dati fuori distribuzione.

Flusso di analisi dei dati molecolari

Passi eseguiti dall'agente per passare dalla letteratura alla proposta di design.

  1. 01Estrazione di molecole da articoli e cataloghi dei fornitori.
  2. 02Filtraggio di composti non rilevanti e documentazione delle fonti.
  3. 03Esecuzione di MMPA per confrontare coppie di molecole ciclizzate e non ciclizzate.
  4. 04Addestramento e validazione di modelli di potenza con divisioni per scaffold.
  5. 05Proposta di nuovi macrocicli e rotte di sintesi basate sui risultati.
05

Limiti sperimentali e validazione delle ipotesi

Sebbene il flusso abbia ridotto il tempo di un'iterazione da diversi giorni a un'ora, Google DeepMind sottolinea che i design computazionali sono ipotesi verificabili, non farmaci finiti. La precisione predittiva rimane limitata dalla scarsità di dati, dal rumore tra i laboratori e dagli ampi intervalli dinamici dei saggi.

Ogni design proposto dall'agente deve essere sintetizzato e validato sperimentalmente prima di attribuirgli valore farmacologico. Il sistema può preparare questi composti per analisi successive con AlphaFold o simulazioni di dinamica molecolare, ma la conferma finale risiede nella validazione biologica in laboratorio.

06

Continua a esplorare

Fonti consultate

03

Correzioni e trasparenza

Se trovi un dato errato o non aggiornato, inviaci la pagina e la fonte da verificare.

Proponi una correzione