生物模型

过去要几天的化合物分析，被压到一小时：DeepMind 给 Antigravity 装上了「化学信息学技能」

2026年11月4日0 次阅读
过去要几天的化合物分析，被压到一小时：DeepMind 给 Antigravity 装上了「化学信息学技能」

导语

一个做肺癌药的老问题：克唑替尼（crizotinib）身上有 5 个可旋转键，分子在溶液里能扭成很多形状；劳拉替尼（lorlatinib）在末端加了一个环，把可旋转键压到 0，效力就上去了。这套「先把熵付掉」的刚性化手法，药物化学家已经用了几十年。

DeepMind 11 月 3 日发布的东西，就是让 AI 智能体自己把这条路径走一遍：从文献和专利里捞出几千个化合物、清掉缓冲液和溶剂这类噪声、做匹配分子对分析（MMPA）、训练效力预测模型、再提出新的刚性大环并附上合成路线和电子推动箭头图。官方给的数字是「一小时」，同一套流程过去要几天。（本文基于多家媒体转述整理，技术细节以 DeepMind 官方博文为准。）

关键的一点：这次没有发布新模型。发布的是一套技能（Cheminformatics Skills），装在 Google Antigravity 这个智能体工作台上。

3分钟看懂

  • 谁做的：Google DeepMind，作者是 Zoi Tsangalidou、Ruijie (Kelly) Zhang、Sukhdeep Singh、Michael V. LeVine。
  • 是什么：给 Antigravity 的一套化学信息学技能包。不是新模型权重，是让已有智能体能正确调用化学工具的工作流。
  • 怎么分工：语言模型负责编排流程、翻数据库、做科学推理；真正算分子的活交给确定性工具——底层是 RDKit，数据接 ChEMBL 和 PubChem。
  • 演示做了什么：拿非小细胞肺癌的两代 TKI 当案例，整理出 568 个化合物，验证「环化 → 可旋转键变少 → 效力变高」，再据此设计新大环并给合成建议。
  • 快了多少：官方原话是这套流程过去要「multiple days」，现在「in just an hour」。
  • 怎么拿到：今天起在 Antigravity App 里装 Science 插件即可；企业用户用 Google Cloud 账号登录。另外开放 1 万名科学家 6 个月最高用量档免费，要申请、按容量筛。
  • 最该记住的一句：官方自己写死的边界——「计算设计是可检验的假设，不是成品药」。

为什么「技能」比「模型」更值得看

过去两年，生物模型新闻基本是「又出了一个更大的结构预测模型」。这次不一样，DeepMind 补的是另一段路。

化学数据是散的。同一个分子，在论文里是 IUPAC 名，在专利里是马库什结构，在供应商目录里是 SDF 文件。改一个原子或一根键，就是另一个化合物——一个看起来很有希望的抑制剂可能因此彻底失效。所以化学信息学里最耗人的活，不是建模，是清洗和核对。

这套技能把这段活拆成两半：

  • 模型该干的：读懂图、表和正文，把分子和它对应的实验数据绑在一起，判断哪些是缓冲液、溶剂这类该扔的噪声，记下来源。
  • 工具该干的：所有涉及原子和键的计算，交给 RDKit 这类确定性实现，不给模型「自由发挥」的空间。

这个分工听起来平淡，但它解决的是一个真实痛点：让大模型直接算分子，错一个键就全错，而且错得看不出来。把计算钉死在 RDKit 上，模型只负责「下一步做什么」。

那个肺癌药案例，具体怎么走的

演示选的是克唑替尼和劳拉替尼。前者是第 1 代 ALK/ROS1 抑制剂，有 5 个主要可旋转键；后者是第 3 代，末端环化之后可旋转键归零，效力更高。

智能体做的事，按官方描述的顺序：

  1. 检索与整理：从文献里把这两个药和它们的类似物捞出来，几分钟内拿到数千个化合物，滤掉无关分子，并在报告里逐条标注来源。
  2. 先给一个判断：报告会指出这堆大环化合物大多被预测为可透脑——对经常脑转移的肺癌来说，这不是废话，是决策依据。
  3. 可视化：拉起交互式查看器，把化合物、活性数据和散点图摆在一起。把「效力 vs 可旋转键」画出来、按是否为大环上色，刚性越大效力越高的关系一眼可见。
  4. 匹配分子对分析：只比较「差一个结构变化」的分子对，把环化这件事单独拎出来看。结论符合预期——环化减少可旋转键，通常提高效力。
  5. 训练效力模型：试了多种特征组合和模型架构，在四个实验读数上做基准。这里有个细节值得记：有化合物时间信息时用时序切分（老化合物训、新化合物测），没有时退回骨架切分，为的是估得更接近真实外推。
  6. 设计新分子：基于前面的分析和自己训的模型提出新的刚性大环，给出多条反应路线、合成步骤，还画了电子推动箭头图解释机理，并用自己刚训的模型预测每个设计的效力。
  7. 导出：结果可导出成多种格式，直接进业界常用的化学软件。

整理出来的化合物数是 568 个。这个数字不大，但它是清洗之后的数——不是「检索命中几千条」那种虚数。

怎么用

第一步，确认你有 Antigravity。 这是 Google 的智能体工作台，不是普通聊天窗口。要用这套技能，得在 App 里装 Science 插件。

第二步，选入口。 个人用户直接装插件；企业用户选 "Use Business Account"，用 Google Cloud 账号登录，走组织的权限和配额。

第三步，从「整理」而不是「设计」开始。 最稳的第一个任务是让它把某个靶点或某个骨架的公开化合物捞一遍，输出带来源的报告，你自己抽查 20 条。这一步能立刻看出它认分子、认数据、记来源靠不靠谱。

第四步，再上分析。 让它做 MMPA 或训一个效力模型。注意让它明确写出切分方式（时序还是骨架）和评测读数，这两项决定了模型分数能不能信。

第五步，最后才让它提设计。 设计的价值不在分子本身，在它给的合成路线和机理说明——那是可以拿去和化学家吵的东西。

适用场景

  • 早期立项的化合物盘点：某个靶点现有专利和文献里到底有哪些分子、活性什么水平，让它先铺一遍。
  • 骨架跃迁前的数据分析：手上有一批类似物，想看清哪个结构改动真正带来效力提升。
  • 可透脑 / 理化性质初筛：先按预测属性把明显不合适的挑出去，再谈合成。
  • 给化学家做「第二意见」：它提的环化位点和合成路线，可以当作讨论起点。
  • 教学和内部培训：把「刚性化降熵提效力」这类经典逻辑跑一遍，比讲 PPT 直观。

不适用场景

  • 指望它给出成品药。官方写得很直白：计算设计是可检验的假设，每个设计都必须合成并实验验证。
  • 数据稀疏的靶点。官方列的第一条限制就是数据稀疏——公开化合物少的目标，模型没有可学的东西。
  • 跨实验室数据混用的场景。第二条限制是实验室间测定噪声，不同来源的 IC50 不能直接拼在一张表里比。
  • 动态范围窄的读数。第三条限制：测定本身分辨不出强弱时，模型学到的只是噪声的形状。
  • 需要监管级证据的环节。这不是申报材料，是研究早期的假设生成器。
  • 完全离线 / 内网环境。数据靠 ChEMBL、PubChem 连接器，且要装 App 与插件。

避坑

  • 别把它当「新模型」写进汇报。这次没有新权重、没有新 benchmark SOTA，变的是工作流。搞错这一点，后面所有预期都会错位。
  • 别信「一小时」是端到端。一小时指的是这一轮分析；数据是否干净、靶点是否有足够公开数据、你要不要人工复核，都在这一小时之外。
  • 别跳过来源抽查。它会给每条化合物标来源，但标注对不对必须自己验几条。
  • 注意 568 和「数千」不是同一个数。检索命中数千，清洗后 568。转述时把这两个数混用，是这类新闻最常见的失真。
  • 别忽略它主动提示的局限。官方把三条限制写在正文里，说明这是设计上的已知边界，不是「以后会修好」。
  • 可透脑是预测，不是实测。演示里「大环大多预测可透脑」这句，是模型输出。

成本/时间

  • 钱：技能本身随 Antigravity 提供；DeepMind 另开放 1 万名科学家 6 个月最高用量档免费，需申请，按资格与容量筛选。企业侧走 Google Cloud 账号，费用按组织协议。
  • 时间：官方口径是同类分析从数天压到约一小时。装插件、配账号是分钟级；真正的时间花在你核对结果上。
  • 算力：这次不涉及本地跑模型，重活在他们侧。你需要的是一台能跑 Antigravity 的机器和网络。

行动建议

第一步，如果你只想要一个判断：打开 DeepMind 那篇博文，把「568 个化合物、一小时、官方三条限制」记下来，这三点决定了它现在能干什么、不能干什么。

第二步，如果你在药企或实验室：找一个内部已经在用的公开靶点，让它做一次化合物盘点，人工抽查 20 条来源，用这次结果决定要不要往下走。

第三步，如果你是做生物模型工具链的：重点看它的分工设计——语言模型编排、RDKit 计算、来源可追溯。这比再堆一个更大的模型更能解决实际问题。

参考来源

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...