Antigravity 化学信息学：早期药物化学瓶颈挪到湿实验，而不是「AI 设计出更好结合分子」

2026 年 11 月 3 日，Google DeepMind 发布 Agentic cheminformatics with Google Antigravity。文中展示的科学工作台通过 Cheminformatics Skills，让代理完成文献化合物采集、匹配分子对分析（MMPA）、效力模型训练，并提出刚性化大环与合成路线。作者称，过去单轮常耗多日的流程，在一例肺癌酪氨酸激酶抑制剂（TKI）案例上可在约一小时内走完。

可证伪主张很窄。Antigravity 的 Cheminformatics Skills 把早期药物化学瓶颈，从数据整理与 MMPA 脚手架，挪到实验验证吞吐；产品价值是语言模型编排加确定性 RDKit 工具，而不是「模型会设计出更好的结合分子」。 稀疏测定数据、实验室间噪声与窄动态范围仍限制预测精度。若独立用户在去掉 RDKit/ChEMBL/PubChem 工具层后周期不变，或效力模型在无新湿实验数据时系统性超过留出测定标签的实验室间噪声，该主张即失败。

实际交付了什么

分子会以 IUPAC 名、Markush 结构、结构数据文件和图片等形式出现。改一个原子就是另一种化合物。Skills 把领域惯例写进代理工作流，计算落在 RDKit，并连接 ChEMBL、PubChem 等策展资源。博客写明分工：模型负责编排、库导航与科学推理；确定性化学工具执行分子计算。

技术演示用经典刚性化叙事。克唑替尼（crizotinib）是部分非小细胞肺癌的第一代 TKI，有五个主要可旋转键；第三代类似物洛拉替尼（lorlatinib）经环化后有效可旋转键降到零，效力等指标随之提高。刚性化等于「提前支付熵代价」，把柔性分子锁进靶点所需构象。

代理具体做了什么

启用 Skills 后，代理检索这些药物及类似物文献，抽出分子与相关测定数值，滤掉缓冲液与溶剂，并写出来源报告。数分钟内检索到数千化合物。交互视图可按大环状态着色，绘制细胞效力对可旋转键；图中最高效力者往往最刚，许多大环被预测为可入脑，与该癌常见脑转移相关。

代理接着对「是否环化」的分子对做 MMPA，结果符合教科书预期：环化减少可旋转键并总体提高效力。它还在四种实验读出上、跨特征与架构训练大量效力模型；有日期时偏好时间切分，否则用骨架切分估计分布外表现。最后提出新的大环，说明药物化学理由，生成环化反应的电子推移图，在公开库中查找类似反应，并用刚训好的模型给设计打分。结果可导出到行业化学软件；文中提到可接 AlphaFold 或分子动力学。

钢人与缺口

钢人。 熟练化学家加 RDKit 脚本，一天内也能做文献采集、MMPA 与骨架切分。若 Antigravity 主要是把熟悉工具包进对话界面，「一小时对多日」更多是交互便利，而非新科学能力。稀疏公开测定上训出的预测模型历来噪声大；把设计称作「假说」本是正确默认，文中对加速的表述可能相对「工具齐全的计算化学家」偏乐观。

这一反驳有力。它抹不掉的是文中架构：编排留给模型，键级真值留给确定性工具。演示可核对的主张是早期全流程吞吐，覆盖抽取、清洗、MMPA、建模、提案与路线，而不是结合亲和力更优。博客自列硬顶：稀疏数据、实验室间测定噪声、窄动态范围。计算设计仍是假说，必须合成并实验验证。

文中未闭合的限制：演示是厂商单案例，不是代理对人类化学家的对照实验；「约一小时」「数千化合物」为作者自报；新提大环没有外部效力数字；面向 1 万名科学家、滚动开放、有资格与容量限制的六个月最高用量免费档，是分发策略，不是湿实验成功证据。

谁该在意，下一步看什么

仍把早期周期耗在格式转换与分子对枚举上的计算与药物化学团队，应在自有 ChEMBL/PubChem 规模项目上核对 Skills 是否缩短「到首个可测设计」的时间。采购「AI 药物设计」演示的买方，应把效力图与拟议路线当作假说生成器，直到合成与测定走完验证。平台团队应留意产品赌注：把 RDKit 级惯例编成代理技能，计算保持确定性，并公开写出稀疏数据上限。

接下来观察：第三方是否发表去掉工具层的周期对照；Antigravity 会话提出的大环经合成后，测定效力是否超出训练分布；代理设计进入内审时，时间或骨架切分的模型卡是否成为标配附件。

收束

DeepMind 可辩护的句子不是 Antigravity 会设计更好的药。而是：挂上以 RDKit 为根基的化学信息学技能后，代理可以把早期「文献到设计」脚手架压到约一小时，而结合力主张仍要等湿实验。 六个月后，要么独立的周期与测定随访证明瓶颈确实前移，要么产品看起来仍是同一稀疏数据天花板上的更快前端。