新しい創薬候補を設計するには、化学が始まる前にたいてい何日もの地道な作業があります。論文や特許から分子を取り出し、データを整え、モデルを学習させ、そのうえで作るものを提案するのです。Google DeepMindがAntigravity向けに出した新しいCheminformatics Skillsは、その骨の折れる部分を狙っています。データ整理をエージェントに任せ、科学者が本当に大事な仮説により多くの時間を使えるようにします。
中心にある設計上の選択は分業です。言語モデルが作業の流れを計画し、データベースをたどり、化学について推論する一方で、正確な分子計算は、この分野が20年使ってきたオープンソースのツールキットRDKitを基にした決定的なツールに委ねます。コネクターがChEMBLやPubChemの整えられたデータにアクセスします。この分担が重要なのは、化学には誤りの余地がないからです。原子や結合を一つ変えれば別の化合物を記述したことになるので、確率的なモデルに取りこぼしうる計算をさせるのは順序が逆です。これらのスキルはAntigravityのScienceプラグイン経由で導入でき、Antigravity自体は当サイトでレビューしています。
DeepMindの実演は実際の肺がんの事例を使います。エージェントは文献を検索し、数千の化合物を取り出し、緩衝液や溶媒を除外し、続いて小さな変更の効果を切り分けるマッチド分子対解析を行い、取り置いた化合物で検証した効力モデルを学習させます。最後に、標的により強く結合するよう単一の形に固定した分子である、新しい剛直化マクロ環を、候補となる合成経路や電子の動きを示す図とともに提案します。DeepMindによると、この一連の流れは通常の数日ではなく約1時間で済み、1万人の科学者が最上位の階層を6か月間無料で使えるとのことです。
この記事の率直さが最大の長所です。DeepMindは、乏しいデータ、研究室間のばらつき、狭い測定範囲が最良の予測モデルすら制約すること、そしてあらゆる計算上の設計は検証可能な仮説であって完成した薬ではないことを、はっきり述べています。提案された分子はいずれも研究室で合成し確認する必要があり、本当の時間と費用はそこにあります。
見出しを和らげる注意点が二つあります。1時間という数字は、うまくいくよう選ばれた一つの見せ場の事例から来ており、創薬化学者は典型例ではなく最良の場合として読むべきです。そして、エージェントが提案した分子が実際に研究室でより強く結合するのかという、より深い問いには、ブログの実演は答えられません。推論するモデルと決定的なツールの分担は、他の科学エージェントの研究も真似できる堅実な型です。創薬設計への見返りは、実験室の結果を待つ約束のままです。