Google Antigravity：AI 代理如何重塑药物发现流程

药物研发是一个极其复杂且耗时的过程。传统模式下，科学家需要花费数天时间来整理文献中的图表、数据，训练预测模型，并筛选候选分子。为了解决这一痛点，Google DeepMind 在其 Antigravity 平台上引入了新的化学信息学技能，旨在将科学家从繁琐的数据整理工作中解放出来。

从数据整理到智能编排

在化学领域，数据来源极其多样：从论文中的 IUPAC 名称，到专利中的 Markush 结构，再到供应商目录中的 SDF 文件。这种数据表示方式的多样性是科学家的主要负担之一，因为即使是微小的拼写错误，也可能导致描述完全不同的化合物。

Antigravity 的核心创新在于构建了一套“化学信息学技能”。这套系统并非让 AI 仅仅充当文本生成器，而是通过分工协作提升效率：

• 大脑（LLM）负责编排：大型语言模型负责处理工作流逻辑、科学推理以及数据库导航。
• 双手（确定性工具）负责计算：底层的化学计算则由 RDKit（一个开源化学信息学工具包）以及 ChEMBL、PubChem 等经过 curated 的数据库连接器执行。

这种架构确保了 AI 不仅“能说”，而且“能算”，同时将领域专家的最佳实践编码进了工作流中。

核心技术解析：分子的“刚性化”策略

在 Antigravity 的演示中，我们看到了一个经典的药物化学技术——分子刚性化。

1. 为什么要刚性化？

大多数药物分子是“柔性”的，它们包含多个可旋转的键，可以在溶液中扭曲成无数种形状。然而，要结合靶点蛋白，分子必须锁定在特定的“活性构象”中。这种从无数种形状中锁定单一形状的过程需要消耗“熵”，这会降低药物的结合亲和力和效力。

为了解决这个问题，化学家会通过添加新的化学键来限制分子的自由度，使其无法轻易扭曲，从而提前支付熵的代价。这种方法能显著提高药物对靶点的结合能力。

2. 实战案例：从一代到三代药物

Google 的演示以肺癌治疗药物为例，展示了如何利用 AI 代理快速完成这一过程：

• 起点：Crizotinib（一代 TKI） 这是一个经典的药物结构，但其分子中含有5 个主要的可旋转键，这导致它在溶液中非常“柔软”，限制了其结合效率。

• 目标：Lorlatinib（三代 TKI） 这是一种更先进的药物，它在结构上与 Crizotinib 相似，但通过环化处理，大大减少了旋转键的数量，使分子更加刚性和稳定。

AI 代理的工作流：

1. 在数据库中检索数千种化合物。
2. 执行匹配分子对分析。
3. 利用刚性化策略，提出新型的大环结构。
4. 最终成果：在不到 1 小时内，AI 不仅提出了候选分子，还规划好了合成路线。

对开发者和科学家的价值

对于开发者和 AI 使用者而言，Google Antigravity 的化学信息学技能提供了以下启示：

• 自动化工作流：它证明了 LLM 可以作为强大的编排者，将非结构化数据转化为结构化实验方案。
• 工具整合能力：成功的 AI 科学应用往往依赖于对底层确定性工具（如 RDKit）的深度集成，而非单纯的文本生成。
• 垂直领域的落地：在药物发现、材料科学等需要极高精度和领域知识的领域，Agentic Workflow 正在展现出超越传统脚本的价值。

通过这次技术分享，我们可以看到，AI 正在逐步接管那些重复、繁琐且容错率低的数据处理任务，让科学家能够更专注于核心的假设验证与创新。