背景
化學資訊學（Cheminformatics）涉及從圖表、文獻中整理複雜資料、訓練預測模型以及提出候選分子，這通常是藥物發現的關鍵步驟。然而，分子在文獻、專利或目錄中可能以 IUPAC 名稱、Markush 結構或結構資料檔（SDF）等多種形式存在，統一這些來源並避免單一原子或鍵的錯誤，對化學家而言耗時且容錯率極低。 官方原文・Google DeepMind Blog
發生什麼事
Google DeepMind 於 11 月 3 日發布 Google Antigravity 的新功能 Cheminformatics Skills。這套技能旨在將 Google Antigravity 轉變為協作式科學工作台，讓計算化學家與實驗化學家能透過本地工具進行工作。該功能已於 Google Antigravity 上線，使用者可下載 Antigravity App 並安裝 Science 外掛（plugin）來使用。 官方原文・Google DeepMind Blog
重點內容
Cheminformatics Skills 採用分工模式：底層語言模型負責工作流程編排、資料庫導航與科學推理，而確定性化學工具則執行分子計算。這些技能基於 RDKit（一個由全球社群開發超過二十年的開源化學資訊學工具包），並連接 ChEMBL 與 PubChem 的策劃資源。在實際測試中，代理能搜尋數千種化合物，執行匹配分子對分析（Matched Molecular Pair Analysis，一種比較僅有微小差異的分子對以隔離特定化學變化影響的技術），並在約一小時內提出具有合成路線的新型剛性大環化合物。 官方原文・Google DeepMind Blog
該系統展示了對非小細胞肺癌藥物 crizotinib 與 lorlatinib 的分析。Crizotinib 是第一代酪氨酸激酶抑制劑（TKI，一種阻斷特定酵素活性的藥物），具有五個主要可旋轉鍵；而第三代 TKI lorlatinib 透過環化結構將有效可旋轉鍵數量減至零，從而提高效力。代理能從文獻中提取分子數據，建立互動式檢視器，並自動建議進行匹配分子對分析。此外，代理能利用分子機器學習能力建立預測模型，並根據資料可用性選擇時間序列分割或骨架分割來驗證模型的泛化能力。 原文
對使用者的意義
這套工具讓藥物發現科學家能更快地生成更具支持性的設計假設。企業用戶可透過選擇「使用商業帳戶」並使用 Google Cloud 憑證登入來開始使用。為了加速研究，Google 提供 10,000 名科學家免費使用 Google Antigravity 最高使用層級 6 個月，申請已開放，但需符合資格、容量與篩選條件。分析結果可匯出為多種格式，並載入業界標準的化學軟體中。 官方原文・Google DeepMind Blog
限制與未定事項
官方指出，稀疏的資料、實驗室間的檢測噪音以及狹窄的動態範圍，限制了強大模型的預測精度。計算設計出的分子僅為可測試的假設，並非成品藥物，所有提出的設計仍必須經過實驗合成與驗證。 官方原文・Google DeepMind Blog
