Google DeepMind展示了Antigravity化学信息学Skills：Agent在约一小时内检索数千种化合物、完成匹配分子对分析、训练预测模型并提出可合成的大环候选物，但最终结论仍必须由实验验证。
AI具体完成了哪些工作
案例围绕肺癌药物克唑替尼和洛拉替尼展开。系统从论文和目录抽取不同表示形式的分子，将名称、结构图和SDF数据统一，分析可旋转键与效力关系，再通过匹配分子对比较环化前后的变化。传统上这些步骤跨数据库和软件，需要多天整理。
语言模型负责工作流编排、数据库导航和科学推理，确定性化学计算交给RDKit；ChEMBL与PubChem提供经过整理的公共数据。这样的分工很关键：原子、键和分子性质不能靠语言模型自由生成，计算结果必须由专业工具复核。
如何复现这类流程
先写清研究问题、靶点、允许的数据源和排除标准。导入结构后进行标准化、去盐、重复项处理和单位统一，再检查活性测定条件是否可比。之后选择训练集划分，药物发现通常优先时间切分或骨架切分，避免相似化合物同时进入训练和测试造成虚高。
Agent生成候选物后，应输出每个设计的结构变化、预测依据、适用域和合成路线来源。站内GPT-6 Rosalind生命科学接入指南中的证据追踪、权限和双人复核同样适用于化学Agent。
为什么可视化协作重要
交互界面允许研究者查看散点图、分子结构和元数据，点击异常样本后让Agent重新分析。研究者不是只接收最终答案，而是在每一步检查数据质量和假设。可视化还能发现模型指标掩盖的问题，例如某一骨架家族预测很好、换到新骨架就失效。
所有处理步骤应保存输入版本、参数、代码、随机种子和导出文件。候选分子必须能回溯到原始论文或数据库记录，不能只留下聊天结论。
哪些结论不能直接相信
稀疏数据、实验室之间的测定差异和窄动态范围都会限制预测精度。系统提出的合成路线可能在现实条件下失败，也可能涉及毒性、代谢或知识产权问题。计算设计是可测试假设，不是完成的药物。
进入实验前需由药化专家审查结构、反应可行性和安全风险，并通过独立模型或物理方法复核。实验阴性结果也要回写数据集，避免Agent反复提出同类失败方案。
落地结论
真正可用的AI系统必须同时满足任务有效、数据可控、成本可解释和失败可回退。建议先用真实且脱敏的小样本建立基线，再逐步开放工具与自动化权限；任何涉及生产修改、外部发送、医疗科研结论或资金的动作，都应保留人工审批和完整审计。
资料来源：Google DeepMind：Agentic cheminformatics with Google Antigravity。本文依据公开资料重新整理，并结合工程实践给出操作建议；厂商公布的性能和案例数据不等同于独立第三方验证。
