ИИ-агенты в химии: как платформа Antigravity ускоряет разработку лекарств
Новые навыки хемоинформатики в платформе Antigravity позволяют сократить цикл поиска и анализа новых молекул с нескольких дней до одного часа, объединяя LLM и классические химические инструменты.
Главное за 30 секунд
Платформа Antigravity автоматизирует рутинные задачи химиков, делегируя логику ИИ-агенту, а точные вычисления — специализированным инструментам, что радикально ускоряет поиск новых лекарств.
- Цикл разработки молекул сократился с нескольких дней до одного часа.
- Агент опирается на открытый инструментарий RDKit и базы данных ChEMBL и PubChem.
- Система способна анализировать тысячи соединений, строить ML-модели и предлагать пути синтеза.
- Сгенерированные молекулы остаются гипотезами и требуют обязательного синтеза и проверки.
Неочевидное: Ключ к успеху в научных ИИ-инструментах — не попытка обучить нейросеть точным наукам с нуля, а создание строгой системы делегирования, где LLM только управляет процессом, а расчеты делают проверенные детерминированные алгоритмы.
Разработка новых лекарств требует сбора сложных данных из графиков и литературы, обучения предиктивных моделей и предложения молекул-кандидатов для синтеза. Обычно один такой цикл занимает несколько дней. Команда исследователей показала, как платформа Antigravity, оснащенная новыми навыками хемоинформатики (Cheminformatics Skills), позволяет выполнить этот процесс всего за час.
Исторически химия накопила колоссальный объем публичных данных, охватывающий миллионы структур. Однако химики до сих пор тратят слишком много времени на обработку информации. Проблема усугубляется тем, что одна и та же молекула может быть представлена по-разному: как название IUPAC в статье, структура Markush в патенте или файл SDF в каталоге. В этой работе нет права на ошибку — изменение одного атома или связи описывает совершенно другое соединение, которое может оказаться неэффективным.
Screenshot of a chemical design interface showing the intramolecular reaction mechanism of LOR-PRE-3 converting to the 12-membered cyclic ether LOR-DES-3.
Чтобы ученые могли сосредоточиться на гипотезах, а не на форматировании данных, разработчики внедрили в Antigravity разделение труда. Языковая модель берет на себя управление рабочим процессом, навигацию по базам данных и научные рассуждения. При этом точные молекулярные вычисления выполняются детерминированными инструментами. Система опирается на RDKit — фундаментальный открытый инструментарий, разрабатываемый более двух десятилетий, а также использует подключения к курируемым базам данных ChEMBL и PubChem.
В качестве примера исследователи рассмотрели классический метод медицинской химии — увеличение жесткости молекулы (ригидизацию). Многие молекулы лекарств имеют вращающиеся связи, что делает их «гибкими». Чтобы связаться с мишенью, молекула должна принять одну активную форму, что требует энергетических затрат и снижает эффективность. Добавление новых связей (например, циклизация) ограничивает подвижность молекулы. Классический пример — препарат кризотиниб, имеющий пять основных вращающихся связей, и его аналог лорлатиниб, который был циклизован для повышения эффективности.
Также по темеИнтеграция корпоративного контекста в AI-ревью кода: как Qodo расширяет возможности Codex
Google Antigravity user interface displaying a chat-based assistant on the left and a data dashboard on the right. The dashboard features four charts visualizing chemical space, CNS desirability, conformational rigidity, and potency distributions for 568 curated compounds.
Запросив у агента поиск подобных препаратов для лечения рака легких, исследователи получили результат за несколько минут. Агент извлек тысячи соединений из литературы, отфильтровал нерелевантные молекулы (например, растворители) и составил отчет. Затем он самостоятельно предложил и провел анализ подобранных молекулярных пар (MMPA), чтобы изолировать влияние небольших изменений в молекулах.
После этого агент построил множество предиктивных моделей машинного обучения, используя различные наборы признаков и архитектуры. Система автоматически применяет хронологическое разделение данных (обучение на старых соединениях для предсказания новых) или разделение по скаффолду для оценки обобщающей способности модели. В финале агент предложил новые макроциклы, объяснил логику с точки зрения медицинской химии и предоставил возможные пути синтеза, включая диаграммы перемещения электронов.
Несмотря на впечатляющую автоматизацию, инструменты имеют ограничения. Разреженные данные, шум в экспериментах разных лабораторий и узкие динамические диапазоны ограничивают точность любых моделей. Вычислительные проекты остаются лишь проверяемыми гипотезами, а не готовыми лекарствами. Каждое предложенное агентом соединение все равно требует реального синтеза и экспериментальной проверки в лаборатории. Тем не менее, использование подобных платформ позволяет химикам быстрее генерировать более обоснованные гипотезы.
Изображение из источника
