Einen neuen Wirkstoffkandidaten zu entwerfen, bedeutet meist Tage mühsamer Arbeit, bevor überhaupt Chemie beginnt: Moleküle aus Artikeln und Patenten ziehen, die Daten säubern, ein Modell trainieren und dann etwas zum Herstellen vorschlagen. Google DeepMinds neue Cheminformatics Skills für Antigravity zielen auf diese Plackerei und lassen einen Agenten die Datenarbeit erledigen, damit ein Wissenschaftler mehr Zeit auf die Hypothesen verwenden kann, die zählen.
Die zentrale Entwurfsentscheidung ist eine Arbeitsteilung. Das Sprachmodell plant den Arbeitsablauf, navigiert Datenbanken und denkt über die Chemie nach, während die exakten molekularen Berechnungen an deterministische Werkzeuge auf Basis von RDKit gehen, dem Open-Source-Toolkit, das das Fach seit zwei Jahrzehnten nutzt. Konnektoren greifen auf kuratierte Daten in ChEMBL und PubChem zu. Diese Teilung ist wichtig, weil Chemie keinen Spielraum für Fehler hat: Ändere ein Atom oder eine Bindung, und du hast eine andere Verbindung beschrieben; ein Wahrscheinlichkeitsmodell Rechnen lassen, bei dem es patzen kann, wäre also verkehrt herum. Die Skills werden über Antigravitys Science-Plugin installiert, und Antigravity selbst rezensieren wir.
DeepMinds Durchgang nutzt einen echten Lungenkrebsfall. Der Agent durchsucht die Literatur, zieht Tausende Verbindungen heraus, filtert Puffer und Lösungsmittel aus und führt dann eine Matched-Molecular-Pair-Analyse durch, um die Wirkung kleiner Änderungen zu isolieren, und trainiert Potenzmodelle, die an zurückgehaltenen Verbindungen geprüft werden. Zum Schluss schlägt er neue versteifte Makrozyklen vor, Moleküle, die in einer einzigen Form fixiert sind, um ihr Ziel fester zu binden, samt möglicher Syntheserouten und Elektronenschiebe-Diagrammen. DeepMind sagt, der ganze Zyklus habe statt der üblichen mehreren Tage etwa eine Stunde gedauert und 10.000 Wissenschaftler könnten die oberste Stufe sechs Monate lang kostenlos erhalten.
Die Ehrlichkeit des Berichts ist seine größte Stärke. DeepMind sagt klar, dass dünne Daten, Rauschen zwischen Laboren und enge Messbereiche selbst die besten Vorhersagemodelle begrenzen und dass jeder rechnerische Entwurf eine prüfbare Hypothese ist, kein fertiges Medikament. Jedes vorgeschlagene Molekül muss weiterhin im Labor synthetisiert und überprüft werden, und dort liegen die echte Zeit und die echten Kosten.
Zwei Vorbehalte dämpfen die Schlagzeile. Die Ein-Stunden-Angabe stammt aus einem einzigen, gut funktionierenden Vorzeigefall, ein medizinischer Chemiker sollte sie also als besten, nicht als typischen Fall lesen. Und die tiefere Frage, ob vom Agenten vorgeschlagene Moleküle im Labor tatsächlich besser binden, kann ein Blog-Durchgang nicht beantworten. Die Teilung zwischen einem denkenden Modell und deterministischen Werkzeugen ist ein solides Muster, das andere wissenschaftliche Agentenarbeit übernehmen könnte; der Nutzen fürs Wirkstoffdesign bleibt ein Versprechen, das auf Laborergebnisse wartet.