Google DeepMind lança agente de quimioinformática no Antigravity
Novo pacote combina modelos de linguagem ao kit RDKit para automatizar triagem, modelos preditivos e rotas de síntese química em uma hora.
Por que importa. Equipes de biotecnologia e farmacêuticas que constroem pipelines com IA ganham uma arquitetura pronta que separa o raciocínio agêntico do cálculo molecular determinístico.
A Google DeepMind lançou nesta terça-feira, 3 de novembro, um conjunto de habilidades de quimioinformática para o Google Antigravity, sua bancada de trabalho científica baseada em agentes de inteligência artificial. A ferramenta foi desenhada para encurtar ciclos de planejamento farmacêutico que costumam levar dias: em uma demonstração voltada a terapias contra câncer de pulmão, o sistema realizou busca bibliográfica, estruturou dados moleculares, treinou modelos preditivos e gerou propostas de síntese química em cerca de uma hora.
O sistema opera sob uma divisão estrita de tarefas. O modelo de linguagem subjacente cuida apenas da orquestração do fluxo de trabalho, da navegação em repositórios científicos e do raciocínio conceitual, enquanto ferramentas determinísticas executam os cálculos químicos e as validações estruturais. Para garantir que nenhuma molécula seja alterada indevidamente durante as etapas, o agente foi integrado ao kit de código aberto RDKit e conectado a bancos de dados públicos consolidados, como ChEMBL e PubChem.
Varredura e modelagem molecular
Para validar a ferramenta, a equipe da DeepMind aplicou o agente em uma estratégia clássica da química medicinal chamada rigidificação, cujo objetivo é reduzir a flexibilidade de ligações químicas rotacionáveis para aumentar a potência de ligação contra o alvo biológico. O fluxo tomou como referência a transição do fármaco crizotinib para o macrociclo lorlatinib, ambos inibidores de tirosina quinase usados no tratamento de carcinomas pulmonares de células não pequenas.
Segundo o laboratório do Google, o agente extraiu milhares de compostos da literatura em poucos minutos, descartou solventes e tampões, e gerou relatórios interativos comparando potência e rigidez conformacional. O sistema realizou de forma autônoma uma análise de pares moleculares correspondentes (MMPA) e treinou múltiplos modelos de machine learning usando separações cronológicas e divisões por arcabouço molecular (scaffold split), formato técnico recomendado para medir a capacidade de generalização fora da distribuição de treino.
Na etapa final da demonstração, o agente recomendou rotas de síntese completas para os novos compostos planejados, acompanhadas de diagramas de movimentação de elétrons para detalhar os mecanismos de reação. A DeepMind destacou que os arquivos resultantes podem ser exportados diretamente para softwares convencionais de química ou enviados para cálculos posteriores com AlphaFold e simulações de dinâmica molecular.
Acesso e limites do sistema
Apesar dos ganhos de velocidade na triagem, a DeepMind ressaltou as restrições inerentes à modelagem computacional. O anúncio pontua que problemas como dispersão de dados, ruído experimental entre diferentes laboratórios e faixas dinâmicas estreitas limitam a precisão preditiva de qualquer arquitetura. A empresa reforça que os projetos gerados pela IA constituem hipóteses computacionais que exigem validação e síntese experimental física em bancada de laboratório.
O módulo de quimioinformática já está disponível como parte do plugin de ciência no aplicativo do Google Antigravity, acessível para contas individuais e clientes corporativos autenticados via Google Cloud. Para acelerar a adoção da plataforma na comunidade acadêmica, a DeepMind abriu inscrições para conceder seis meses gratuitos do seu nível mais alto de uso a 10 mil cientistas selecionados.
Fontes
- Google DeepMind: Agentic cheminformatics with Google Antigravity
Reportagem produzida pela redação do Flipters com apoio de inteligência artificial, a partir das fontes acima. Como trabalhamos. Editor responsável: João Paulo Resende.
