Google Antigravity : macrocycles générés en une heure

Google équipe Antigravity de Compétences en Chimie Informatique capables de parcourir la littérature, d’analyser des milliers de composés et de proposer des macrocycles avec voies de synthèse en une heure. L’ensemble s’appuie sur RDKit et des ressources comme ChEMBL et PubChem, tout en rappelant que ces conceptions restent des hypothèses à valider et que la précision prédictive demeure limitée par la qualité des données.

Validations requises et export vers les outils du secteur

Les productions de l’agent peuvent être sauvegardées dans plusieurs formats qui s’avèrent compatibles avec les principaux logiciels de chimie employés par l’industrie. Google indique que la limitation des données disponibles, les variations de bruit entre laboratoires et des plages dynamiques restreintes freinent la performance prédictive, même pour les modèles les plus sophistiqués. Les propositions générées par l’agent sont traitées comme des hypothèses susceptibles d’être vérifiées, nécessitant d’être synthétisées et confirmées expérimentalement avant toute utilisation. Selon Google, ces compétences permettent de générer plus rapidement des hypothèses de conception mieux étayées. Le flux de travail présenté aurait auparavant nécessité plusieurs jours et une expertise computationnelle importante ; Antigravity vise à accélérer les tâches des chimistes computationnels et expérimentaux et à les recentrer sur les questions essentielles. La rapidité de prise de décision scientifique s’en trouve accrue.

Un cycle complet de découverte comprimé à une heure

Un cycle de découverte qui prenait habituellement plusieurs jours est présenté comme réduit à une heure grâce à Antigravity et ses Compétences en Chimie Informatique. À partir de cas réels de traitements du cancer du poumon, l’agent explore des milliers de composés, réalise une analyse de paires moléculaires appariées et propose des macrocycles rigides avec des voies de synthèse. En quelques minutes, il récupère massivement des composés, filtre les éléments non pertinents comme les solvants et les tampons, et consigne les sources dans un rapport.

Outils intégrés et partage des tâches entre IA et moteurs déterministes

Grâce aux Compétences en Chimie Informatique, Antigravity devient un espace de travail partagé doté d’un accès aux outils locaux, où chimistes computationnels et expérimentaux peuvent intervenir sur une même plateforme. Le modèle de langage coordonne les différentes phases, interroge les bases de données et prend en charge le raisonnement scientifique, tandis que des moteurs déterministes réalisent les calculs sur les molécules. L’architecture s’appuie sur RDKit, dont le développement remonte à plus de vingt ans, ainsi que sur des connecteurs vers des bases sélectionnées comme ChEMBL et PubChem, ce qui permet d’intégrer les standards du secteur. L’agent peut également lancer un visualiseur interactif combinant composés curés, données associées et graphiques personnalisables, dans une logique de collaboration fluide avec l’utilisateur.

Curation de la littérature et signaux sur les macrocycles

Après extraction des molécules depuis les documents et association aux mesures disponibles, un rapport indique que les macrocycles sont largement prédits comme pénétrants dans le cerveau, un critère important car le cancer du poumon ciblé se propage fréquemment au cerveau. Une visualisation de la puissance en fonction des liaisons rotatives, colorée selon le statut macrocycle, met en évidence que des macrocycles tels que le lorlatinib présentent moins de liaisons rotatives et une puissance plus élevée.

Rigidifier pour gagner en puissance : principe et application

La rigidification est présentée comme une technique classique de chimie médicinale pour accroître la puissance. Les molécules, composées de sous-structures reliées par des liaisons rotatives, adoptent de nombreuses conformations tridimensionnelles qui les rendent flasques en solution ; se lier à une cible impose de se bloquer dans une forme active unique, avec une pénalité entropique qui réduit l’affinité et la puissance. En ajoutant une seconde liaison entre deux sous-structures initialement reliées par une seule liaison rotative, les chimistes limitent fortement les mouvements et peuvent verrouiller la géométrie souhaitée. Cette approche, souvent résumée par l’idée de payer le coût entropique à l’avance, peut augmenter notablement la puissance.

Analyses avancées et génération de synthèses par l’agent

Une fois les données structurées, l’agent procède à une analyse de paires moléculaires appariées, qu’il a lui-même suggérée au vu de nombreuses paires informatives attendues. La comparaison de molécules qui diffèrent par la cyclisation montre que la cyclisation réduit le nombre de liaisons rotatives et tend à accroître la puissance. Parallèlement, l’agent construit de nombreux modèles de puissance avec différentes familles de variables et architectures, puis les valide sur un jeu réservé. Des recommandations guident la construction des modèles, avec un recours fréquent aux séparations chronologiques — entraînement sur des composés plus anciens pour prédire des composés plus récents quand l’information existe — ou, à défaut, à des séparations par structures pour mieux estimer la généralisabilité. En s’appuyant sur ces éléments, l’agent imagine de nouveaux macrocycles et soumet différentes réactions et itinéraires de synthèse, tout en préparant les molécules pour des examens complémentaires via AlphaFold ou des simulations de dynamique moléculaire. Les outils intégrés autorisent la manipulation et la validation de réactions, la création de schémas de poussée d’électrons et la recherche de précédents dans des bases de données publiques. L’agent détaille son raisonnement en chimie médicinale, propose des itinéraires compatibles avec des méthodes déjà décrites et utilise ses modèles antérieurs pour estimer la puissance de chaque proposition. Il peut aussi présenter une réaction de cyclisation en fournissant des schémas de mécanisme par poussée d’électrons.