A Google DeepMind publicou a 3 de novembro de 2026 um artigo sobre a utilização do Google Antigravity, a sua plataforma de desenvolvimento agêntico, combinada com um novo conjunto de Cheminformatics Skills, ou seja, competências dedicadas à informática química. Segundo os autores, Zoi Tsangalidou, Ruijie (Kelly) Zhang, Sukhdeep Singh e Michael V. LeVine, o desenho de novos medicamentos exige tratar dados complexos provenientes de gráficos, figuras e literatura científica, treinar modelos preditivos e propor moléculas candidatas para síntese. Este processo costuma demorar vários dias em cada iteração.

Segundo a publicação, o sistema foi testado com tratamentos reais para cancro do pulmão. Um agente percorre milhares de compostos, executa uma análise de pares moleculares emparelhados (matched molecular pair analysis) e propõe novos macrociclos rigidificados, acompanhados de rotas sintéticas. A empresa afirma que todo o fluxo ficou concluído em cerca de uma hora. Trata-se de uma alegação do fabricante, apresentada no próprio blogue, e não de um resultado verificado por entidades independentes, pelo que deve ser lida com essa cautela.

O texto sublinha que a química é um dos registos científicos públicos mais ricos, com milhões de estruturas espalhadas por artigos científicos e catálogos de fornecedores. A mesma molécula pode surgir como nome IUPAC num artigo, como estrutura de Markush numa patente ou como ficheiro SDF num catálogo. Os sistemas avançados precisam de unificar estas fontes e de lidar com os erros que daí resultam. Os autores recordam que basta alterar um único átomo ou uma ligação para descrever um composto diferente, com efeito potencialmente inativo sobre um inibidor promissor.

Para responder a este problema, a equipa construiu um conjunto de competências para o Antigravity, que transforma o ambiente de trabalho num banco de trabalho colaborativo com acesso às ferramentas locais, tanto para químicos computacionais como para químicos de bancada. O texto indica também que as competências criam uma forma de divisão de trabalho entre o agente e a pessoa, embora o detalhe dessa divisão não seja apresentado nos excertos disponíveis. A arquitetura interna e os critérios de validação aplicados também não são descritos nesses excertos.

Importa notar que o material analisado é uma publicação de blogue de uma empresa, não um artigo revisto por pares, e que não foram encontrados dados sobre disponibilidade geral, preços ou resultados replicados por outros grupos de investigação. Os excertos disponíveis também não descrevem ensaios laboratoriais nem clínicos das moléculas propostas. Os leitores interessados devem consultar a fonte original para confirmar os detalhes técnicos e os exemplos apresentados.

Porque importa

A química está espalhada por fontes com formatos muito diferentes, e erros de representação podem alterar por completo uma molécula. Se ferramentas deste tipo reduzirem o trabalho de tratamento de dados, os investigadores podem concentrar-se em hipóteses e testes. Ainda assim, a validade das afirmações depende de avaliações independentes e de replicação noutros laboratórios, que a publicação não apresenta.

Fontes

Agentic cheminformatics with Google AntigravityGoogle DeepMind ↗