Google Antigravity v ukázce zkrátil návrh molekul z dnů na hodinu

Antigravity dostává chemické nástroje

Google Antigravity není klasický chatbot, který odpoví na otázku a čeká na další pokyn. Jde o agentickou platformu, kde jazykový model plánuje jednotlivé kroky, pracuje s databázemi a zadává výpočty specializovaným nástrojům. Chemoinformatické dovednosti tuto platformu rozšiřují o práci s molekulami.

Google popisuje systém jako pracovní prostředí pro vědecký výzkum. Jazykový model zde zajišťuje porozumění zadání, navigaci v odborných zdrojích a koordinaci úkolů. Samotné chemické výpočty provádějí deterministické nástroje. To je důležité rozdělení práce. Jazykový model může navrhnout postup, ale výpočet molekulových vlastností by neměl záviset pouze na tom, jak přesvědčivě zní jeho text.

Základem nového balíčku je open-source knihovna RDKit. Ta se používá pro práci s molekulovými strukturami, reakcemi, podobností sloučenin i jejich vlastnostmi. Antigravity se podle Googlu napojuje také na databáze ChEMBL a PubChem.

Od literatury k návrhu syntézy

Ukázkový scénář se zaměřil na inhibitory tyrosinkináz používané při léčbě některých forem rakoviny plic. Google zvolil známé látky crizotinib a lorlatinib, protože dobře ilustrují jeden z běžných postupů medicinální chemie.

Crizotinib obsahuje pět hlavních otočných vazeb. Molekula se proto může v prostoru nacházet v řadě různých tvarů. Lorlatinib má část struktury uzavřenou do kruhu, takže se počet účinných otočných vazeb podle popisu Googlu snižuje na nulu. Takové „zpevnění“ molekuly může ovlivnit její schopnost vázat se na cílový protein.

Antigravity nejdříve vyhledá relevantní články, patenty a další dokumenty. Z nich extrahuje molekulové struktury a spojuje je s naměřenými vlastnostmi. Současně filtruje látky, které se do analýzy nehodí, například rozpouštědla a pufry. V ukázce systém pracoval s tisíci sloučenin a připravil jejich přehled pro další analýzu.

V interaktivním prohlížeči mohou vědci sledovat vztah mezi účinností, počtem otočných vazeb, rigiditou nebo dalšími vlastnostmi. Google uvádí také práci s 568 kurátorovanými sloučeninami v jednom z přehledů. Takový dashboard není náhradou za laboratorní měření. Zrychluje však orientaci v datech, která by člověk jinak procházel ručně.

Model hledá souvislosti, nástroje kontrolují chemii

Jednou z použitých metod je matched molecular pair analysis. Výzkumník při ní porovnává dvojice molekul, které se liší jednou konkrétní změnou. Díky tomu lze lépe odhadnout, jak určitá úprava ovlivňuje například účinnost nebo rozpustnost.

Antigravity v ukázce analyzoval páry molekul s cyklizovanou a necyklizovanou strukturou. Podle výsledků popsaných Googlem cyklizace snižovala počet otočných vazeb a obecně souvisela s vyšší účinností. Slovo „obecně“ je zde důležité. V chemii neexistuje jednoduché pravidlo, které by každé přidané vazbě automaticky přineslo lepší léčivo.

Agent následně sestavoval prediktivní modely účinnosti. Google zmiňuje použití časového dělení dat, kdy se model učí na starších sloučeninách a zkouší předpovídat novější. Pokud taková data nejsou k dispozici, systém může použít dělení podle molekulárního skeletu. Tento detail ukazuje, že součástí workflow není jen generování nápadů, ale také snaha ověřit, zda model funguje mimo data, na kterých se učil.

Na konci agent navrhl nové makrocykly, možné reakce a syntetické cesty. Umí připravit molekuly pro další analýzu pomocí nástrojů, jako je AlphaFold, nebo fyzikálních simulací. Výstupy lze exportovat do formátů používaných v běžném chemickém softwaru.

Jedna hodina neznamená hotový lék

Google uvádí, že workflow, které obvykle zabere několik dnů, zvládl Antigravity přibližně za jednu hodinu. Jde o výsledek firemní případové studie, nikoli o nezávislý benchmark celého oboru. Časová úspora se týká konkrétního řetězce úloh od rešerše po návrh molekul. Neznamená, že každé hledání nového léčiva bude stejně rychlé.

Omezení jsou praktická. Predikce trpí nedostatkem dat, rozdíly mezi laboratorními pracovišti a šumem v měřeních. Úzký rozsah experimentálních hodnot může modelu ztížit odhad látky mimo známý chemický prostor. I dobře vypadající návrh může selhat při syntéze, být nestabilní nebo mít nevhodné vlastnosti v biologickém testu.

Antigravity tedy nenavrhuje hotová léčiva. Připravuje návrhy, které musí chemik zkontrolovat, syntetizovat a otestovat. To je rozdíl mezi softwarem pro podporu výzkumu a automatickou laboratoří.

Dostupnost a cena pro vědce

Cheminformatics Skills jsou podle oficiálního oznámení Google DeepMind dostupné v aplikaci Google Antigravity po instalaci Science pluginu. Firemní uživatelé se mohou přihlásit přes pracovní účet Google Cloud.

Samotný Antigravity má pro jednotlivce tarif za 0 dolarů měsíčně. Bezplatná varianta zahrnuje přístup k více agentním modelům, neomezené doplňování kódu a příkazy, ovšem s týdenními limity. Vyšší využití nabízí tarify Google AI Pro a Google AI Ultra. Google na ceníku neuvádí jejich konkrétní částku v přehledu Antigravity, proto ji není vhodné vydávat za cenu chemického balíčku.

Pro organizace je dostupnost navázaná na Google Cloud. U vybraných tarifů Gemini Enterprise začíná cena na 30 dolarech za uživatele měsíčně, případně lze využít spotřební model bez poplatku za uživatele. Detailní účtování se řídí cloudovým ceníkem.

Google současně nabízí nejvyšší úroveň využití zdarma pro 10 000 vědců na dobu šesti měsíců. Program funguje na základě způsobilosti, kapacity a výběru přihlášených žadatelů. Nejde tedy o automatický nárok pro každého uživatele.

Oficiální stránky Antigravity v době vydání uvádějí anglické rozhraní a dostupnost pro macOS, Windows a Linux. Google na citovaných stránkách neuvádí českou lokalizaci ani zvláštní český tarif. Pro české výzkumné týmy je proto podstatné hlavně to, zda splní podmínky přístupu a zda jejich organizace používá Google Cloud. Česká dostupnost služby není totéž co české uživatelské rozhraní.

Agent jako výzkumný koordinátor

Cheminformatics Skills zapadají do širšího posunu od izolovaného chatování k agentním pracovním postupům. Uživatel nezadává pouze otázku. Popíše výzkumný problém a systém postupně vyhledá zdroje, připraví data, provede analýzu, sestaví model a navrhne další krok.

Pro chemii je tento přístup vhodný hlavně proto, že výzkum kombinuje text, tabulky, obrázky, molekulové struktury a specializované výpočty. Každý typ dat má vlastní pravidla. Jazykový model může spojovat jednotlivé části workflow, zatímco odborné knihovny ověřují operace, které by samotný chatbot mohl popsat správně jen na první pohled.

První praktický přínos proto není v tom, že by AI sama objevila nový lék. Je v rychlejším třídění informací a přípravě návrhů, které může odborník posoudit. Výsledná kvalita stále závisí na datech, zvolených metodách a laboratorním ověření. Google sám uvádí, že každý návrh musí projít syntézou a experimentální validací.

FAQ