AREX Feed Article
DeepMind 为 Antigravity 发布化学信息学技能，称一轮药物设计从数天缩短到一小时
11 月 3 日，Google DeepMind 在中发布了面向 Google Antigravity 的 Cheminformatics Skills。这套技能以开源化学信息学工具包 RDKit 为基础，接入 ChEMBL 与 PubChem 两个化合物数据库；按 DeepMind 的设计，语言模型负责流程编排、数据库浏览和科学推理，具体的分子计算交给确定性的化学工具执行。
同一篇博客给出了一段完整演示：agent 从学术与专利文献中检索克唑替尼（crizotinib）和劳拉替尼（lorlatinib）系列的数千个化合物，整理出 568 个分子，做匹配分子对分析（matched molecular pair analysis），再据此提出四个新的 12 元大环分子及各自的合成路线。DeepMind 称这一轮迭代「只需一小时」，并称同类工作流通常要花数天；博客没有给出这个时间对比的计时口径。
一套技能怎样接进 Antigravity
Antigravity 的 把 Science Skills 的安装入口指向 GitHub 上的 仓库。仓库把每个技能做成一个目录，里面是 SKILL.md 指令文件、scripts 脚本和 references 参考文档；公开列出的技能中包含 ChEMBL 与 PubChem 两个数据库技能。ChEMBL 技能的说明写明，相似性检索和子结构检索在 ChEMBL 服务端完成、不需要本地 RDKit，而结构图渲染的默认引擎是 RDKit。
按仓库的说明，每个技能提供的就是结构化的指令、脚本和资源，用来把 agent 的能力扩展到具体的科学任务上。
克唑替尼的五根可旋转键
演示挑的是刚性化（rigidification），一个提高药物活性的经典手法。DeepMind 的解释是：药物分子常由可旋转键连接若干子结构，这些键让分子在溶液里扭成多种三维构象；要结合靶点，分子必须锁进一种活性构象，失去构象自由度的熵代价会削弱结合亲和力，进而拉低活性。加一根新键把两个子结构拴在一起，可动范围就被压下来，博客把这叫作「提前支付熵代价」。
克唑替尼是第一代小分子酪氨酸激酶抑制剂（TKI），用于治疗某些形式的非小细胞肺癌，分子里有五根主要可旋转键。劳拉替尼是第三代同类药物，结构与克唑替尼相似，但在末端成环，把有效可旋转键数降到零，活性随之提高。演示要 agent 做的，是沿着这条路径往前走：先从这两个系列的已知化合物里找规律，再设计新的大环分子。
第一步：从文献里提取分子
博客先讲了这类数据为什么难处理：同一个分子可以是论文里的 IUPAC 名称、专利里的 Markush 结构、目录里的 SDF 文件，把这些表示统一起来时改错一个原子或一根键，描述的就是另一种化合物。
演示的第一步是一句自然语言指令：检索学术与专利文献中克唑替尼和劳拉替尼系列的大环与非大环化合物，把化合物和相关数据整理好，供后续分析。博客称 agent 在几分钟内取回数千个化合物，剔除缓冲液、溶剂等无关分子，并在报告里记录每个化合物的来源。报告还给出初步判断：这批大环化合物大多被预测为可透过血脑屏障，而这类肺癌常转移到脑。
界面上最后留下的是 568 个分子，分成四组：克唑替尼 2,5-二氯系列的非大环化合物 242 个、下一代烷氧基系列的非大环化合物 191 个、劳拉替尼大环内酰胺系列 113 个、大环醚系列 22 个。右侧面板把这批分子摊在四个维度上看：亲脂性（cLogP）与 L1196M ALK 活性（pKi）、CNS MPO 评分、可旋转键数，以及 pChEMBL 活性分布。散点图可以按是否为大环着色，横轴可旋转键、纵轴活性，博客说图上能直接看出大环（如劳拉替尼）往往可旋转键更少、活性更高。
匹配分子对与四张留出集散点图
整理完数据，演示做了匹配分子对分析：只挑出结构上仅差一处改动的分子对，比较这处改动带来的活性变化，这里比较的改动是「是否成环」。博客给出的结果是，成环降低了可旋转键数量，总体上提高活性，与预期一致。博客还提到，agent 也曾自己主动提出要做这项分析；博客作者也表示，预期数据集里会有不少有信息量的分子对。
接着是建模。agent 用不同的特征组合和模型结构训练了一批活性预测模型，并在留出集上验证。技能里写了取舍规则：有化合物时间信息时按时间切分，用老化合物预测新化合物；没有时退回按骨架切分，以更好地估计泛化能力。演示里的四张散点图用的正是骨架切分，横轴实测、纵轴预测，四个终点分别是细胞水平 L1196M ALK、细胞水平野生型 ALK、酶学水平 L1196M ALK、酶学水平野生型 ALK。
四张图的留出集分别只有 16、15、17、16 个化合物，R² 依次为 0.26、0.20、0.38 和 −0.16。按 R² 的定义，最后一项意味着模型在该留出集上还不如直接预测均值。这四张图出自 DeepMind 的演示，博客正文没有讨论这组指标。
威廉姆森成醚：前体如何关成 12 元环
最后一轮指令是让 agent 用前面学到的东西设计新的大环分子，并为每个设计给出可供环化的官能化前体和环化反应。产出是一个包含四个设计的文档，编号 LOR-DES-1 到 LOR-DES-4，都是 12 元 ALK 大环，各自对应一个前体。
界面上展开的是 LOR-DES-3：前体 LOR-PRE-3 的酚氧负离子对分子内溴代烷做 Sₙ2 取代，关环生成 12 元环醚，反应类型标为分子内威廉姆森大环成醚（intramolecular Williamson macroetherification）。条件写成 Cs₂CO₃ 3.0 当量、无水乙腈或 DMF、浓度 3 mM、60 ℃；旁边注明 2,3-二氟取代使酚的 pKa 约为 8.4，温和条件下即可干净地生成酚氧负离子，不会去竞争 2-氨基吡嗪上的 N-烷基化。再旁边是一条反应 SMARTS，把「酚加溴代烷生成芳醚和溴离子」写成可校验的模式。
同一份文档里的 LOR-DES-4 条目列出 SMILES、InChIKey、分子量 423.43 Da，以及预测的核磁共振信号类别：21 个 ¹³C 信号、12 类 ¹H 信号、2 个 ¹⁹F 信号。技能给 agent 配了画反应的工具：校验反应、生成弯箭头的电子推动图、到公共数据库里查类似反应。截图里的成醚反应还附了箭头几何检查，标出两条箭头均无碰撞，并给出箭头到键和原子标签的最近距离。结果可以导出为 .cdxml 等格式，也能生成以毫克、毫摩尔计的试剂表，或交给 AlphaFold、分子动力学模拟继续算。
「一小时」里没有计时的部分
博客用「一小时」概括整段流程，但没有给出这个数字怎么来的：没有分步耗时，没有说明起点和终点怎么算，也没有交代运行环境；「通常要数天」同样没有给出依据。
DeepMind 自己在文末列了限制：数据稀疏、实验室之间的测定噪声、动态范围窄，都会限制即使最强模型的预测精度；计算设计是可检验的假设，不是成品药；每一个设计都必须合成并做实验验证。
可用性方面，博客说技能「今天」就可用：下载 Antigravity 应用、安装 Science 插件即可；Enterprise 用户选择「Use Business Account」，用 Google Cloud 凭据登录。DeepMind 还开放了 10,000 个名额，向科学家免费提供 Antigravity 最高使用档位六个月，滚动开通，需满足资格、容量与筛选条件，申请入口是一个 Google 表单。
四个大环分子的活性数字，来自用这批化合物训练出的模型；帖子里没有它们的实测活性，也没有合成结果。