Concevoir un nouveau candidat médicament signifie en général des jours de travail fastidieux avant que la chimie ne commence : extraire des molécules d'articles et de brevets, nettoyer les données, entraîner un modèle, puis proposer quelque chose à fabriquer. Les nouvelles Cheminformatics Skills de Google DeepMind pour Antigravity visent cette corvée : elles laissent un agent faire le travail sur les données pour qu'un scientifique passe plus de temps sur les hypothèses qui comptent.
Le choix de conception au cœur du dispositif est une division du travail. Le modèle de langage planifie le flux de travail, navigue dans les bases de données et raisonne sur la chimie, tandis que les calculs moléculaires exacts sont confiés à des outils déterministes bâtis sur RDKit, la boîte à outils open source utilisée par le domaine depuis deux décennies. Des connecteurs atteignent des données curées dans ChEMBL et PubChem. Cette répartition compte car la chimie n'a aucune marge d'erreur : changez un atome ou une liaison et vous avez décrit un autre composé ; laisser un modèle probabiliste faire un calcul qu'il peut rater serait donc à l'envers. Les skills s'installent via le plugin Science d'Antigravity, et nous testons Antigravity lui-même.
La démonstration de DeepMind utilise un vrai cas de cancer du poumon. L'agent fouille la littérature, extrait des milliers de composés, filtre tampons et solvants, puis mène une analyse de paires moléculaires appariées pour isoler l'effet de petits changements et entraîne des modèles de puissance validés sur des composés mis de côté. Il finit en proposant de nouveaux macrocycles rigidifiés, des molécules verrouillées dans une seule forme pour se lier plus fortement à leur cible, avec des voies de synthèse candidates et des schémas de déplacement d'électrons. DeepMind dit que tout le cycle a pris environ une heure au lieu des habituels plusieurs jours, et que 10 000 scientifiques peuvent obtenir le niveau supérieur gratuitement pendant six mois.
L'honnêteté du texte est son point le plus fort. DeepMind affirme clairement que des données rares, le bruit entre laboratoires et des plages de mesure étroites limitent même les meilleurs modèles prédictifs, et que tout design calculé est une hypothèse vérifiable, pas un médicament fini. Chaque molécule proposée doit encore être synthétisée et vérifiée en laboratoire, là où se trouvent le temps et le coût réels.
Deux réserves tempèrent le titre. Le chiffre d'une heure vient d'un seul cas de démonstration choisi pour bien marcher, un chimiste médicinal devrait donc le lire comme un meilleur cas, pas un cas typique. Et la question plus profonde de savoir si les molécules proposées par l'agent se lient vraiment mieux en laboratoire n'est pas quelque chose qu'une démonstration de blog peut trancher. La séparation entre un modèle qui raisonne et des outils déterministes est un schéma solide que d'autres travaux d'agents scientifiques pourraient reprendre ; le gain pour la conception de médicaments reste une promesse suspendue aux résultats de paillasse.