一小时做完几周的药化迭代：谷歌 Antigravity 装上了「化学技能包」

做一款新药，最耗时间的往往不是”想”，而是”整理”。查文献、从图表里抠数据、训练预测模型、再提出几个值得合成的候选分子——这套流程走完一轮，通常要花好几天。谷歌 DeepMind 在 11 月 3 日的一篇技术博客里给出了另一种节奏：给 Antigravity 装上新的 Cheminformatics Skills（化学信息学技能包）后，同一个案例里智能体从数千个化合物中筛出线索、做完匹配分子对分析，还自己提出了全新的刚性化大环分子和合成路线，全程大约一小时。

核心看点

• 一小时顶过去几天：以往一轮药物化学迭代需要数天，这次智能体独立完成检索、清洗、分析与分子设计。
• 模型不算数，工具算数：语言模型负责流程编排、数据库导航和科学推理，真正的分子计算交给 RDKit 这类确定性工具，避免”算错一个原子就是另一个分子”。
• 接的是真库：技能包底层是开源化学信息学工具 RDKit，并接上 ChEMBL、PubChem 的化合物数据。
• 案例可复现：用非小细胞肺癌药物克唑替尼（crizotinib）到劳拉替尼（lorlatinib）的经典刚性化改造做演示。

化学数据为什么这么难搞

化学是人类科学里最厚的公开记录之一——期刊论文、厂商目录里躺着数以百万计的结构。麻烦在于同一个分子可以有多种写法：论文里是 IUPAC 名称，专利里是 Markush 结构，供应商目录里是 SDF 文件。系统必须把这些来源统一起来，还得处理各种录入错误。这门活没有容错空间：改一个原子或一根键，描述的就已经是另一种化合物，原本有希望的抑制剂可能瞬间变废。

所以化学家真正的时间消耗，很大一部分花在”跟数据搏斗”上，而不是思考假设。DeepMind 的思路是把这层苦力交给智能体，让人回到科学问题本身。

分工：模型负责编排，工具负责计算

这套技能包最关键的设计是分工。语言模型处理对上下文敏感的部分：读懂文献、规划步骤、在数据库里找路、判断下一步该做什么。分子层面的计算则交给确定性工具执行，结果可校验、可复现。

技能包还把领域最佳实践直接写进了工作流，比如分子机器学习模型的构建建议——代理常常会主动采用按时间切分训练集的做法，而不是随机切分。同时它会启动一个交互式查看器，把检索到的化合物、关联数据和可自定义的散点图摆在一起，科学家可以逐个点开分子看元数据，也能按”可旋转键数量 × 细胞活性 × 是否为大环”这类维度自己画图。

实战：从”软”分子到”硬”分子

演示选的是一条经典药化思路——刚性化。药物分子常常由多个子结构通过可旋转键连接，这些键让分子在溶液里能扭成很多种三维形状，也就是”软”。但要与靶点结合，它必须锁定成某一个活性构象；失去这份自由度就要付熵代价，结合亲和力随之下降，药效变弱。

解决办法是加键：把两个子结构用第二根键拴在一起，构象空间立刻被压缩。药化界把这叫做”提前把熵代价付掉”。克唑替尼有五根主要可旋转键，第三代药物劳拉替尼在末端做了环化，等效可旋转键降到零，活性随之提高。

在这个案例里，智能体几分钟内检索到数千个化合物，过滤掉缓冲液、溶剂之类的无关分子，并给出分析报告——其中一个有价值的观察是：这批大环化合物大多被预测能透过血脑屏障，而肺癌恰恰容易发生脑转移。随后的匹配分子对分析（比较只差一处结构改动的分子对）显示，环化确实减少了可旋转键、普遍提升了活性。智能体还自己搭了一批不同特征集和架构的活性预测模型，并在留出集上做了验证。它甚至主动建议做匹配分子对分析，因为”这个数据集里应该有很多信息量大的配对”。

这件事的分量在哪

值得注意的不是”AI 会设计分子”这句早已被说过的话，而是工作方式的转变：文献检索、数据清洗、结构标准化这些没人愿意干又必须干对的环节，第一次被串成了一条可以由代理执行的流水线，而且中间产物是可检查的——报告、图表、模型指标都留在台面上。

当然，一小时跑完的是一条成熟路径上的迭代，最终分子是否真的可合成、是否有活性，仍然要回到实验室验证。但把”几天”压缩到”一小时”，意味着化学家可以在同样时间里试更多假设、否掉更多死路——这在药物发现里，往往比单次结果更值钱。

总结

Antigravity 的化学技能包说明了一件事：代理要进入硬科学，光有更强的模型不够，还得有可信的工具层和编码了领域习惯的工作流。模型负责想，RDKit 负责算，人负责判断——这个分工看起来朴素，却是把 AI 从”能聊化学”推到”能干活”的关键一步。