Google Antigravity automatiza a busca e o desenho de moléculas para o câncer de pulmão
Imagem gerada pela Equipa Editorial da Inferama
01

Cheminformatics Skills no Google Antigravity

O Google DeepMind apresentou um conjunto de Cheminformatics Skills para a plataforma Google Antigravity. As ferramentas automatizam partes de fluxos de descoberta de fármacos, incluindo a curadoria de dados, a navegação por bases de dados e a análise química. No exemplo descrito, uma tarefa que normalmente levaria vários dias foi concluída em cerca de uma hora; esse tempo se refere ao fluxo de trabalho demonstrado, não a uma garantia para outros projetos.

O sistema pretende permitir que cientistas dediquem mais tempo à formulação de hipóteses e menos à organização manual de dados. Moléculas podem aparecer como nomes IUPAC em artigos, estruturas Markush em patentes ou arquivos SDF em catálogos. Unificar essas representações é importante, porque uma alteração em um átomo ou em uma ligação pode representar outro composto, com propriedades diferentes. A publicação descreve a ferramenta como uma bancada de trabalho colaborativa para químicos computacionais e experimentais.

02

Arquitetura: agente de IA e cálculos químicos

O fluxo separa a orquestração do trabalho dos cálculos químicos. O modelo de linguagem navega por recursos, organiza etapas e conduz o raciocínio do fluxo; ferramentas de química executam os cálculos moleculares. Essa divisão não torna todas as etapas determinísticas: o modelo ainda participa da navegação e da interpretação, enquanto operações químicas específicas podem ser realizadas por ferramentas computacionais.

A plataforma usa RDKit, um kit de ferramentas de quimioinformática de código aberto, e conectores para recursos como ChEMBL e PubChem. Esses componentes podem apoiar a busca e a análise de estruturas e dados associados. A documentação descreve a incorporação de práticas do domínio ao fluxo do agente, mas não afirma que isso elimina erros de extração, interpretação ou modelagem.

Componentes descritos no fluxo

Resumo dos papéis atribuídos às ferramentas e aos recursos de dados na publicação do Google DeepMind.

ComponenteFunção descritaCategoria
RDKitManipulação de estruturas e cálculos de quimioinformáticaKit de ferramentas de código aberto
ChEMBLConexão com dados químicos e bioquímicos curadosRecurso de dados
PubChemConexão com informações sobre compostosRecurso de dados
Modelo de linguagemOrquestração, navegação e raciocínio no fluxoAgente de IA
03

Rigidificação molecular em inibidores de tirosina quinase

A demonstração usa tratamentos associados ao câncer de pulmão de não pequenas células para ilustrar a rigidificação molecular, uma estratégia da química medicinal. Moléculas com ligações rotacionáveis podem assumir várias conformações. Para se ligar ao alvo, uma molécula flexível precisa adotar uma conformação adequada; restringir movimentos pode reduzir o custo entrópico associado a essa mudança, embora o efeito sobre a potência dependa da molécula e do alvo.

O exemplo compara crizotinibe, descrito como um inibidor de tirosina quinase de primeira geração com cinco ligações rotacionáveis principais, e lorlatinibe, de terceira geração. Segundo a publicação, a ciclização do lorlatinibe reduz a zero o número efetivo de ligações rotacionáveis considerado no exemplo. Essa comparação ajuda a explicar a lógica estrutural, mas não isola a ciclização como a única causa de diferenças farmacológicas entre dois fármacos distintos.

04

Busca de compostos, análise de pares e modelos

Na demonstração, o agente pesquisou artigos e outras fontes por crizotinibe, lorlatinibe e moléculas análogas. O Google DeepMind relata que o sistema reuniu milhares de compostos em poucos minutos, removeu materiais considerados irrelevantes — como tampões e solventes — e documentou as fontes em um relatório. A equipe também descreve um visualizador interativo para explorar os compostos, seus dados associados e relações entre propriedades.

Em seguida, o fluxo aplicou uma análise de pares moleculares correspondentes, ou MMPA, que compara moléculas que diferem por uma alteração estrutural definida. A publicação relata que a análise de pares ciclizados e não ciclizados mostrou menos ligações rotacionáveis e, em geral, maior potência entre os compostos ciclizados. Esse resultado descreve o conjunto analisado, não estabelece que a ciclização aumente a potência em todos os fármacos ou contextos biológicos.

O agente também construiu modelos de potência com diferentes conjuntos de características e arquiteturas, usando quatro leituras experimentais. Para avaliar o desempenho, a equipe relata ter usado divisões por esqueleto molecular, destinadas a estimar a generalização para estruturas menos representadas no treinamento. A publicação menciona também divisões cronológicas quando há informações temporais disponíveis. Essas escolhas ajudam a avaliar modelos, mas não asseguram previsões corretas fora do conjunto de dados nem substituem validação experimental.

Etapas do fluxo demonstrado

A publicação descreve uma sequência que vai da busca na literatura à proposta de moléculas para avaliação posterior.

  1. 01Extrair moléculas e dados associados de artigos e catálogos.
  2. 02Filtrar compostos considerados irrelevantes e registrar as fontes.
  3. 03Comparar pares de moléculas ciclizadas e não ciclizadas por MMPA.
  4. 04Treinar e avaliar modelos de potência com diferentes características e divisões de dados.
  5. 05Propor macrociclos e possíveis rotas de síntese para análise posterior.
05

Propostas de síntese e limites da validação

Com base nas análises e nos modelos, o agente propôs novos macrociclos e possíveis rotas de síntese. O Google DeepMind afirma que as propostas combinam o conhecimento químico do sistema com resultados de MMPA e de modelos de potência, e que o agente apresentou justificativas de química medicinal e diagramas de mecanismos. Os compostos também podem ser preparados para análises posteriores, como estudos com AlphaFold ou simulações de dinâmica molecular.

Esses produtos computacionais não são fármacos prontos nem resultados experimentais. A própria publicação destaca limites relacionados à escassez de dados, ao ruído entre ensaios de diferentes laboratórios e à faixa dinâmica estreita de algumas medições. Cada estrutura proposta ainda precisa ser sintetizada e testada experimentalmente antes de se concluir que tem atividade farmacológica ou potencial terapêutico.

06

O que a demonstração permite concluir

O exemplo mostra que agentes de IA podem coordenar tarefas de busca, organização de dados, comparação de moléculas e modelagem dentro de um fluxo de quimioinformática. No caso descrito, o Google DeepMind afirma que a análise e a proposta de macrociclos levaram cerca de uma hora, em contraste com processos que poderiam levar vários dias. Esse é um relato de uma demonstração da empresa, e não uma comparação independente nem uma medida universal de produtividade.

O valor prático do fluxo depende da qualidade dos dados de entrada, da adequação dos ensaios e da revisão por especialistas. As ferramentas podem acelerar a preparação e a exploração de hipóteses, mas a interpretação química, a decisão sobre o que sintetizar e a confirmação dos resultados continuam dependendo de avaliação científica e trabalho experimental.

07

Continue a explorar

Fontes consultadas

03

Correções e transparência

Se encontrar informação incorreta ou desatualizada, envie-nos a página e a fonte que devemos rever.

Propor uma correção