Projetar um novo candidato a medicamento costuma significar dias de trabalho tedioso antes de a química começar: tirar moléculas de artigos e patentes, limpar os dados, treinar um modelo e então propor algo para fazer. As novas Cheminformatics Skills da Google DeepMind para o Antigravity miram nessa labuta: deixam um agente fazer o trabalho com os dados para que um cientista passe mais tempo nas hipóteses que importam.
A escolha de projeto no centro é uma divisão de trabalho. O modelo de linguagem planeja o fluxo de trabalho, navega pelos bancos de dados e raciocina sobre a química, enquanto os cálculos moleculares exatos são entregues a ferramentas determinísticas construídas sobre o RDKit, o kit de código aberto que a área usa há duas décadas. Conectores alcançam dados curados no ChEMBL e no PubChem. Essa divisão importa porque a química não tem margem de erro: mude um átomo ou uma ligação e você descreveu outro composto, então deixar um modelo probabilístico fazer uma aritmética que ele pode errar seria o caminho invertido. As skills se instalam pelo plugin Science do Antigravity, e nós analisamos o próprio Antigravity.
A demonstração da DeepMind usa um caso real de câncer de pulmão. O agente busca na literatura, extrai milhares de compostos, filtra tampões e solventes, depois roda uma análise de pares moleculares pareados para isolar o efeito de pequenas mudanças e treina modelos de potência validados em compostos reservados. Termina propondo novos macrociclos rigidificados, moléculas travadas em uma única forma para se ligar com mais força ao seu alvo, com rotas de síntese candidatas e diagramas de empurrão de elétrons. A DeepMind diz que todo o ciclo levou cerca de uma hora em vez dos habituais vários dias, e que 10.000 cientistas podem obter o nível superior de graça por seis meses.
A honestidade do texto é seu ponto mais forte. A DeepMind afirma com clareza que dados escassos, ruído entre laboratórios e faixas de medição estreitas limitam até os melhores modelos preditivos, e que todo projeto computacional é uma hipótese testável, não um medicamento pronto. Cada molécula proposta ainda precisa ser sintetizada e verificada em laboratório, que é onde estão o tempo e o custo reais.
Duas ressalvas moderam o destaque. O número de uma hora vem de um único caso de vitrine escolhido para funcionar bem, então um químico medicinal deveria lê-lo como o melhor caso, não o típico. E a pergunta mais profunda, se as moléculas propostas pelo agente de fato se ligam melhor no laboratório, não é algo que uma demonstração de blog possa responder. A divisão entre um modelo que raciocina e ferramentas determinísticas é um padrão sólido que outros trabalhos de agentes científicos poderiam copiar; o ganho para o projeto de medicamentos ainda é uma promessa à espera de resultados de bancada.