A Google DeepMind apresentou habilidades de quimioinformática para o Google Antigravity, capazes de coletar dados da literatura, analisar milhares de compostos, treinar modelos preditivos e sugerir rotas de síntese. O sistema acelera a formulação de hipóteses, mas não substitui a síntese nem os testes laboratoriais.
A Google DeepMind apresentou um conjunto de habilidades de quimioinformática para o Google Antigravity, plataforma que a empresa descreve como uma bancada colaborativa para pesquisadores de descoberta de medicamentos.
Na demonstração, o agente reuniu dados de literatura e catálogos, filtrou compostos irrelevantes, analisou relações entre estrutura e potência e propôs moléculas com possíveis rotas de síntese. A empresa afirma que uma iteração que normalmente levaria vários dias pode ser conduzida em cerca de uma hora no fluxo apresentado.
Da literatura ao conjunto de dados
O sistema foi usado para localizar informações sobre crizotinibe, lorlatinibe e moléculas análogas. A proposta é extrair estruturas químicas de artigos e associá-las aos dados experimentais correspondentes, apesar de uma mesma molécula poder aparecer como nome químico, imagem, estrutura de patente ou arquivo de dados.
As habilidades combinam um modelo de linguagem, responsável pela orquestração e pelo raciocínio sobre o fluxo, com ferramentas determinísticas de química. A implementação citada pela empresa usa RDKit e conexões com as bases ChEMBL e PubChem.
Após a curadoria, um visualizador interativo permite consultar compostos, metadados e gráficos. Um dos exemplos compara potência celular e número de ligações rotacionáveis, com distinção entre moléculas macrocíclicas.
Rigidificação e modelagem preditiva
A demonstração se concentrou na rigidificação, estratégia que adiciona ligações para restringir a flexibilidade de uma molécula. A hipótese é que reduzir o número de conformações facilite a adoção da forma necessária para a ligação ao alvo biológico.
A empresa compara o crizotinibe, descrito como um inibidor de tirosina quinase de primeira geração com cinco ligações rotacionáveis principais, ao lorlatinibe, de terceira geração, cuja estrutura foi ciclizada e apresenta efetivamente nenhuma dessas ligações no exemplo apresentado.
O agente também executou análise de pares moleculares combinados, técnica que compara moléculas com pequenas diferenças estruturais, e treinou modelos de potência com diferentes atributos e arquiteturas. A fonte afirma que foram usados conjuntos de validação separados, incluindo divisão por esqueletos para estimar o desempenho fora da distribuição.
Sugestões ainda dependem do laboratório
Com base nas análises, o sistema recomendou novos macrociclos e diferentes reações e rotas de síntese. Também produziu representações do mecanismo de uma reação de ciclização e preparou estruturas para análises posteriores, como simulações de dinâmica molecular ou estudos com AlphaFold.
A Google DeepMind ressalta que dados escassos, ruído entre laboratórios e faixas experimentais estreitas limitam a precisão dos modelos. Portanto, as moléculas propostas não devem ser interpretadas como candidatos a medicamentos prontos, mas como hipóteses para investigação.
A disponibilidade anunciada inclui as habilidades de quimioinformática no Google Antigravity e uma opção para usuários corporativos acessarem o serviço com credenciais do Google Cloud. A empresa também informou uma oferta promocional de seis meses para até 10 mil cientistas, condicionada a elegibilidade, capacidade e seleção; o texto fornecido não detalha esses critérios.
Fonte original: Google DeepMind: Agentic cheminformatics with Google Antigravity.
Receba o Jornal da IA todos os dias
As notícias de inteligência artificial que importam no Brasil, com o nosso prisma e sempre com as fontes. Grátis.



