새 약물 후보를 설계하려면 보통 화학이 시작되기 전에 며칠에 걸친 번거로운 작업이 필요합니다. 논문과 특허에서 분자를 뽑아내고, 데이터를 정리하고, 모델을 학습시키고, 그다음 만들 것을 제안하는 일입니다. Google DeepMind가 Antigravity용으로 내놓은 새 Cheminformatics Skills는 그 고된 부분을 겨냥합니다. 데이터 정리를 에이전트에 맡겨, 과학자가 정말 중요한 가설에 더 많은 시간을 쓰게 합니다.
중심에 있는 설계상의 선택은 분업입니다. 언어 모델이 작업 흐름을 계획하고 데이터베이스를 탐색하며 화학에 대해 추론하는 한편, 정확한 분자 계산은 이 분야가 20년간 써 온 오픈소스 툴킷 RDKit을 기반으로 한 결정론적 도구에 맡깁니다. 커넥터가 ChEMBL과 PubChem의 정제된 데이터에 접근합니다. 이 분담이 중요한 이유는 화학에 오차의 여지가 없기 때문입니다. 원자나 결합을 하나 바꾸면 다른 화합물을 기술한 것이 되므로, 확률적 모델에 틀릴 수 있는 계산을 맡기는 것은 순서가 거꾸로입니다. 이 스킬은 Antigravity의 Science 플러그인을 통해 설치되며, Antigravity 자체는 저희가 리뷰합니다.
DeepMind의 시연은 실제 폐암 사례를 씁니다. 에이전트는 문헌을 검색해 수천 개의 화합물을 뽑아내고, 완충액과 용매를 걸러 내며, 이어 작은 변화의 효과를 분리하는 매치드 분자쌍 분석을 수행하고, 따로 떼어 둔 화합물로 검증한 효능 모델을 학습시킵니다. 끝으로 표적에 더 강하게 결합하도록 단일 형태로 고정한 분자인 새로운 강직화 거대고리를, 후보 합성 경로와 전자 이동 다이어그램과 함께 제안합니다. DeepMind는 이 전체 주기가 보통의 여러 날이 아니라 약 한 시간 걸렸고, 1만 명의 과학자가 최상위 등급을 6개월간 무료로 쓸 수 있다고 말합니다.
이 글의 솔직함이 가장 큰 장점입니다. DeepMind는 희박한 데이터, 실험실 간 잡음, 좁은 측정 범위가 최고의 예측 모델조차 제약하며, 모든 계산적 설계는 검증 가능한 가설이지 완성된 약이 아니라고 분명히 밝힙니다. 제안된 각 분자는 여전히 실험실에서 합성하고 확인해야 하며, 진짜 시간과 비용은 거기에 있습니다.
두 가지 단서가 표제를 누그러뜨립니다. 한 시간이라는 수치는 잘 작동하도록 고른 하나의 전시용 사례에서 나온 것이므로, 약화학자는 전형적인 경우가 아니라 최선의 경우로 읽어야 합니다. 그리고 에이전트가 제안한 분자가 실제로 실험실에서 더 잘 결합하는지라는 더 깊은 물음은, 블로그 시연이 답할 수 있는 것이 아닙니다. 추론하는 모델과 결정론적 도구의 분담은 다른 과학 에이전트 연구도 따라 할 수 있는 견실한 패턴입니다. 약물 설계에 대한 보상은 아직 실험실 결과를 기다리는 약속입니다.