作者： Timedoo 医疗编辑部 李丽 发布日期： 2026 年 11 月 9 日 文章类型： 技术深度解读
涉及领域： AI 药物发现、药物化学、肺癌靶向治疗、智能体（Agent）技术
核心要点
- 发生了什么： Google DeepMind 通过 Antigravity 平台的 Science 插件，发布了一套面向药物发现的化学信息学工具（Cheminformatics Skills）。研究人员可以让 AI 智能体收集化学数据、预测化合物活性，并提出值得合成的新分子。
- 演示案例： 以治疗非小细胞肺癌（NSCLC）的两种 ALK 抑制剂克唑替尼（crizotinib）与劳拉替尼（lorlatinib）为对象，覆盖文献检索、数据清洗、配对分析、建模和设计的完整流程。
- 科学逻辑： 分子刚性化（rigidification）策略，即通过成环减少可自由旋转的化学键，来提升药效。
- 关键数据： 演示中智能体整理了约 568 个化合物，DeepMind 称整个流程约 1 小时，传统方式通常需要数天。该时间由公司自行报告，尚无独立基准验证。
- 重要边界： 所有设计分子均未经实验合成与验证。DeepMind 研究人员明确表示，每一个提议的设计都必须经过实验合成和验证。
- 可获得性： 工具可通过 Google Antigravity 应用中的 Science 插件使用。Google 同时向 1 万名科学家提供为期六个月的最高用量等级免费使用权，需符合资格并经遴选。
事件背景：AI 药物发现正从"预测模型"走向"科研智能体"
过去几年，AI 在药物研发中的代表性成果集中在结构预测与生成模型上，例如 AlphaFold 系列对蛋白质结构预测的突破 [1][2]。这类模型回答的是"分子长什么样、如何结合"的问题。
DeepMind 此次发布的方向有所不同。它面向药物化学家的日常工作流，把检索文献、清洗数据、做统计分析、建模、提出设计假说和建议合成路线串联起来，交给一个由大语言模型调度的智能体完成。这与近年学界对"大语言模型驱动的自主化学研究"的探索一脉相承 [3][4]。
据 MobiHealthNews 报道，行业内相关布局正在加速 [5]：
| 时间 | 机构 | 动态 |
|---|---|---|
| 5 月 | Isomorphic Labs | 完成 21 亿美元 B 轮融资，用于扩展 AI 药物发现平台、推进管线并扩充研发与临床团队 |
| 6 月 | Owkin 与 Sanofi | 扩大合作，构建药物研发智能体，通过 K Pro 平台部署，授权期五年 |
| 9 月 | Iambic 与 AbbVie | 宣布多年合作，面向神经科学、肿瘤和免疫领域的小分子药物，使用 Enchant v3 模型 |
| 11 月 | Google DeepMind | 为 Antigravity 发布药物发现工具集 |
技术拆解：智能体到底做了什么
根据 DeepMind 的官方说明及多家媒体的报道，此次演示的工作流可以拆解为以下环节 [5][6][7][8]。
| 环节 | 智能体的动作 | 技术意义 |
|---|---|---|
| 数据采集 | 检索科学论文与专利，调取数千条化合物记录 | 打通期刊、专利、商业目录和数据库中分散的化学信息 |
| 数据清洗 | 剔除溶剂、缓冲液等与分析无关的条目，并记录来源 | 保证数据可追溯，减少人工整理的出错环节 |
| 配对分析 | 比较仅有单一结构差异的化合物对 | 即匹配分子对分析（MMPA），是药物化学的经典方法 |
| 活性建模 | 构建效价（potency）预测模型 | 利用整理后的数据量化结构变化与活性的关系 |
| 分子设计 | 提出新的大环（macrocycle）分子 | 把规律转化为可检验的设计假说 |
| 合成建议 | 给出潜在合成路线与反应机理 | 帮助化学家评估设计的可做性 |
为什么强调"确定性化学工具"
化学数据对精度要求极高：同一分子在文献中可能以 IUPAC 名称、马库什（Markush）结构、结构数据文件等多种形式出现，而改变一个原子或一个键就可能得到完全不同的物质。据公开报道，该系统采用分工架构：大语言模型负责流程编排、数据库导航和科学推理，具体的分子计算则交给确定性的化学软件完成。底层基于开源化学信息学工具包 RDKit，并对接 ChEMBL、PubChem 等经过整理的数据源 [7][9]。
这一设计思路值得关注。ChEMBL 等数据库本身就是药物化学数据整合的重要基础设施 [10]，让语言模型调用它们，而不是凭"记忆"回答化学问题，是降低幻觉风险的务实做法。
科学原理：为什么"成环"能让分子更有效
从克唑替尼到劳拉替尼
克唑替尼是第一代 ALK 抑制剂，其发现过程采用了基于结构的药物设计 [11]。劳拉替尼是第三代 ALK/ROS1 抑制剂，在结构上与克唑替尼系列相近，但通过大环化把分子"锁"成更刚性的构象，其发现过程发表于 2014 年 [12]。
在临床上，劳拉替尼的 I/II 期研究显示其对 ALK 或 ROS1 阳性的晚期非小细胞肺癌有活性 [13]。III 期 CROWN 研究中，劳拉替尼与克唑替尼一线头对头比较，12 个月无进展生存率分别约为 78% 与 39% [14]。需要说明的是，这些临床结果是药物本身的证据，并不是此次 AI 演示的产出。
刚性化与熵罚
据 DeepMind 的案例描述，克唑替尼有 5 个主要可旋转键，而劳拉替尼成环后有效可旋转键数降为零 [6][8]。
可旋转键越多，分子在溶液中可采取的构象越多。当分子与靶点结合时，需要"冻结"成特定构象，这会带来熵的损失（熵罚）。通过成环预先固定构象，可以减少这一代价，从而有望提升结合力 [15]。另一方面，可旋转键数量也与口服生物利用度等成药性指标相关 [16]，所以刚性化并不总是"越刚越好"，需要在活性、溶解度、代谢稳定性等之间权衡。
演示中的分析结论与上述经验相符：加一个键成环，通常使分子更刚性、活性更高 [5]。这一规律本身并不新，药物化学界对大环药物的探索已有多年积累 [15]。此次的突破在于由智能体自动化地完成了从数据到设计的整条链路。
Timedoo 观察：如何理解"一小时 vs 数天"
其一，这是公司自报数据。 业内人士已指出，"1 小时对比数天"出自 DeepMind 自己的演示，并非独立评测。真正有意义的指标是包含专家审核与纠错在内的总工时，而不只是软件运行时间 [17]。
其二，计时衡量的是计算环节。 有报道指出，Google 并未披露所提议分子的实验室验证结果，也没有披露对药物研发项目成本的实测降幅 [6]。
其三，数据局限依然存在。 据媒体转述，Google 强调 AI 产出的是"可检验的科研假设"，而非成品药物，数据稀疏、不同实验室之间的检测误差以及动态范围限制，都会影响预测的可靠性 [18]。
其四，选择已知案例是合理的演示方式，也是局限。 克唑替尼到劳拉替尼的演化路径已有大量文献记录，作为演示案例便于对照，但这也意味着该演示不能直接证明智能体在全新靶点、数据稀缺场景下的表现。
总体来看，这类工具的现实价值更可能体现在把化学家从繁琐的数据整理中解放出来。药物研发长期面临高损耗率与低生产率的挑战 [19]，早期环节效率的提升有价值，但最终仍取决于实验验证与临床结果。
对不同读者意味着什么
| 读者类型 | 可关注的点 |
|---|---|
| 药物化学家与计算化学家 | 可评估 Science 插件能否纳入现有分析流程，重点核查数据来源记录和模型验证方式 |
| 医药企业研发管理者 | 关注自报效率数据背后的总工时，以及与自有数据、合规要求的对接方式 |
| 投资与产业观察者 | 将其视为 AI 药物发现"智能体化"趋势中的一个节点，与 Isomorphic、Iambic、Owkin 等布局对照观察 |
| 患者与普通读者 | 该工具并不意味着新药会立刻问世，设计分子仍需合成、临床前和临床研究 |
常见问题（FAQ）
Antigravity 的药物发现工具是什么？
这是 Google DeepMind 为其 Antigravity 平台提供的一组化学信息学智能体技能，通过 Science 插件使用。它可以帮助研究人员收集化学数据、预测化合物活性并提出可在实验室制备的候选分子 [5][7]。
演示为什么选择克唑替尼和劳拉替尼？
这两种药物都用于治疗特定类型的非小细胞肺癌，二者的结构演化关系清晰：劳拉替尼通过成环实现刚性化 [6][12]。已有的文献与数据使这一案例便于验证智能体分析结论是否合理。
什么是分子刚性化？
它是药物化学中的常用策略，通过成环等方式减少可自由旋转的键，使分子预先处于接近结合状态的构象，以降低结合时的熵损失，从而提升活性 [15]。
AI 提出的分子可以直接用于治疗吗？
不可以。DeepMind 研究人员明确表示，所有设计都必须经过实验合成与验证 [5]。从候选分子到上市药物，还要经历临床前研究、临床试验和监管审评。
"一小时完成通常需数天的工作"可靠吗？
该数字来自 DeepMind 的演示，属于公司自报，尚未见独立基准测试 [5][17]。评估实际收益时，应同时考虑专家复核与修正的时间。
这套工具会取代药物化学家吗？
从目前披露的信息看，其定位是协助化学家处理数据整理、分析与假说生成，而不是替代专业判断。分子是否值得合成、实验结果如何解读，仍需要专业人员决策。
普通研究者如何使用？
下载 Google Antigravity 应用并安装 Science 插件即可 [7]。Google 还向 1 万名科学家提供六个月最高用量等级的免费使用权，需满足资格并经遴选 [5]。具体申请条件请以官方页面为准。
这与 AlphaFold 有什么区别？
AlphaFold 系列侧重蛋白质等生物分子的结构预测 [1][2]；此次工具集侧重小分子药物设计早期的数据整理、统计分析和设计提案，并由智能体串联整条工作流。
编辑说明与信息来源声明
本文由 Timedoo 医疗编辑部基于 MobiHealthNews 报道、Google DeepMind 官方发布内容及公开文献整理撰写。关于演示细节（如化合物数量、可旋转键数量、工作流环节）的信息，部分来自媒体对 DeepMind 官方说明的转述，读者可通过下方链接核对原始来源。文中涉及的药物与临床数据仅用于科技与产业解读，不构成任何诊疗建议；患者的用药决策请咨询执业医师。
参考文献与资料来源
[1] Jumper J, Evans R, Pritzel A, et al. Highly accurate protein structure prediction with AlphaFold. Nature. 2021;596:583–589. DOI: 10.1038/s41586-021-03819-2
[2] Abramson J, Adler J, Dunger J, et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature. 2024;630:493–500. DOI: 10.1038/s41586-024-07487-w
[3] Boiko DA, MacKnight R, Kline B, Gomes G. Autonomous chemical research with large language models. Nature. 2023;624:570–578. DOI: 10.1038/s41586-023-06792-0
[4] Bran AM, Cox S, Schilter O, et al. Augmenting large language models with chemistry tools. Nature Machine Intelligence. 2024;6:525–535. DOI: 10.1038/s42256-024-00832-8
[5] Bender E. Google DeepMind adds drug discovery tools to Antigravity. MobiHealthNews. https://www.mobihealthnews.com/news/google-deepmind-adds-drug-discovery-tools-antigravity
[6] Google’s AI Agent Runs a Lung Cancer Drug Design Round in an Hour. PharmaOpinion. https://aimmediahouse.com/pharma/googles-ai-agent-runs-a-lung-cancer-drug-design-round-in-an-hour
[7] Antigravity Cheminformatics Skills. AI/TLDR（2026-11-03）. https://ai-tldr.dev/releases/deepmind-antigravity-cheminformatics-skills/
[8] Google DeepMind’s Antigravity chemistry skills explained. NEOTEO. https://www.neoteo.com/en/google-deepminds-antigravity-chemistry-skills-explained
[9] Google Antigravity Adds Agentic Cheminformatics Skills. HyperAI. https://hyper.ai/en/stories/a4a8ae975d2d01d76fdff61b507d59dc
[10] Zdrazil B, Felix E, Hunter F, et al. The ChEMBL Database in 2023: a drug discovery platform spanning multiple bioactivity data types and time periods. Nucleic Acids Research. 2024;52(D1):D1180–D1192. DOI: 10.1093/nar/gkad1004
[11] Cui JJ, Tran-Dubé M, Shen H, et al. Structure based drug design of crizotinib (PF-02341066), a potent and selective dual inhibitor of mesenchymal–epithelial transition factor (c-MET) kinase and anaplastic lymphoma kinase (ALK). Journal of Medicinal Chemistry. 2011;54(18):6342–6363. DOI: 10.1021/jm2007613
[12] Johnson TW, Richardson PF, Bailey S, et al. Discovery of (10R)-7-amino-12-fluoro-2,10,16-trimethyl-15-oxo-10,15,16,17-tetrahydro-2H-8,4-(metheno)pyrazolo[4,3-h][2,5,11]benzoxadiazacyclotetradecine-3-carbonitrile (PF-06463922), a macrocyclic inhibitor of ALK/ROS1. Journal of Medicinal Chemistry. 2014;57(11):4720–4744. DOI: 10.1021/jm500261q
[13] Shaw AT, Felip E, Bauer TM, et al. Lorlatinib in non-small-cell lung cancer with ALK or ROS1 rearrangement: an international, multicentre, open-label, single-arm first-in-man phase 1 trial. The Lancet Oncology. 2017;18(12):1590–1599. DOI: 10.1016/S1470-2045(17)30680-0
[14] Shaw AT, Bauer TM, de Marinis F, et al. First-line lorlatinib or crizotinib in advanced ALK-positive lung cancer. The New England Journal of Medicine. 2020;383:2018–2029. DOI: 10.1056/NEJMoa2027187
[15] Driggers EM, Hale SP, Lee J, Terrett NK. The exploration of macrocycles for drug discovery: an underexploited structural class. Nature Reviews Drug Discovery. 2008;7:608–624. DOI: 10.1038/nrd2590
[16] Veber DF, Johnson SR, Cheng HY, et al. Molecular properties that influence the oral bioavailability of drug candidates. Journal of Medicinal Chemistry. 2002;45(12):2615–2623. DOI: 10.1021/jm020017n
[17] Aji BW. 关于 Google DeepMind Cheminformatics Skills 报道的评论. LinkedIn. https://sg.linkedin.com/in/bibitaji
[18] 谷歌 AI 智能体药物设计演示相关报道. 凤凰网科技. https://tech.ifeng.com/c/8xlQ08PH0h3
[19] Paul SM, Mytelka DS, Dunwiddie CT, et al. How to improve R&D productivity: the pharmaceutical industry’s grand challenge. Nature Reviews Drug Discovery. 2010;9:203–214. DOI: 10.1038/nrd3078
补充参考： Google DeepMind 官方博客《Agentic cheminformatics with Google Antigravity》：https://deepmind.google/blog/agentic-cheminformatics-with-google-antigravity/
关于 Timedoo： Timedoo 专注于医疗健康科技的深度报道与技术解读，坚持标注信息来源、区分事实与观点，并对公司自报数据保持审慎态度。
免责声明： 本文仅供行业信息交流与科普参考，不构成医疗建议、诊断或治疗方案。具体用药及治疗决策请遵医嘱。
评论 (0)