Diseñar un nuevo candidato a fármaco suele significar días de trabajo tedioso antes de que empiece la química: sacar moléculas de artículos y patentes, limpiar los datos, entrenar un modelo y luego proponer algo que sintetizar. Las nuevas Cheminformatics Skills de Google DeepMind para Antigravity apuntan a esa monotonía: dejan que un agente haga la manipulación de datos para que un científico dedique más tiempo a las hipótesis que importan.
La decisión de diseño en el centro es un reparto de tareas. El modelo de lenguaje planifica el flujo de trabajo, navega por las bases de datos y razona sobre la química, mientras que los cálculos moleculares exactos se entregan a herramientas deterministas construidas sobre RDKit, el kit de código abierto que el campo ha usado durante dos décadas. Hay conectores que acceden a datos curados en ChEMBL y PubChem. Ese reparto importa porque la química no tiene margen de error: cambia un átomo o un enlace y has descrito un compuesto distinto, así que dejar que un modelo probabilístico haga una aritmética que puede equivocar sería hacerlo al revés. Las skills se instalan mediante el plugin Science de Antigravity, y reseñamos el propio Antigravity.
La demostración de DeepMind usa un caso real de cáncer de pulmón. El agente busca en la literatura, extrae miles de compuestos, filtra tampones y disolventes, y luego ejecuta un análisis de pares moleculares emparejados para aislar el efecto de cambios pequeños y entrena modelos de potencia validados con compuestos reservados. Termina proponiendo nuevos macrociclos rigidizados, moléculas fijadas en una sola forma para unirse con más fuerza a su diana, con rutas de síntesis candidatas y diagramas de empuje de electrones. DeepMind dice que todo el ciclo llevó cerca de una hora en lugar de los habituales varios días, y que 10.000 científicos pueden obtener el nivel superior gratis durante seis meses.
La honestidad del texto es su punto más fuerte. DeepMind afirma con claridad que los datos escasos, el ruido entre laboratorios y los rangos de medición estrechos limitan incluso a los mejores modelos predictivos, y que todo diseño computacional es una hipótesis comprobable, no un fármaco terminado. Cada molécula propuesta todavía tiene que sintetizarse y comprobarse en un laboratorio, que es donde están el tiempo y el coste reales.
Dos salvedades matizan el titular. La cifra de una hora viene de un único caso de muestra elegido para funcionar bien, así que un químico medicinal debería leerla como el mejor caso, no como el típico. Y la pregunta más profunda de si las moléculas propuestas por el agente de verdad se unen mejor en el laboratorio no es algo que una demostración de blog pueda responder. El reparto entre un modelo que razona y herramientas deterministas es un patrón sólido que otros trabajos de agentes científicos podrían copiar; el beneficio para el diseño de fármacos sigue siendo una promesa a la espera de resultados de laboratorio.