Home / Uncategorized / Cheminformatics Skills no Google Antigravity: como um agente coordena RDKit, ChEMBL e PubChem para desenhar moléculas

Cheminformatics Skills no Google Antigravity: como um agente coordena RDKit, ChEMBL e PubChem para desenhar moléculas

Em 3 de novembro de 2026, a DeepMind publicou no blog oficial um artigo sobre as novas Cheminformatics Skills do Google Antigravity, assinado por Zoi Tsangalidou, Ruijie (Kelly) Zhang, Sukhdeep Singh e Michael V. LeVine. O texto descreve um fluxo em que um agente busca milhares de compostos na literatura, roda matched molecular pair analysis, treina modelos preditivos de potência e propõe novos macrociclos com rotas de síntese, tudo em cerca de uma hora. É um caso concreto de agente científico rodando dentro de um IDE agêntico, e vale entender o mecanismo antes de olhar para o resultado.

O que o anúncio e sobre o que está construído

Para situar: Google Antigravity é uma plataforma de desenvolvimento agêntica, com uma experiência de IDE familiar combinada com uma interface agent-first, que permite enviar agentes para planejar, executar e verificar tarefas através do editor, terminal e browser. Ela foi lançada em novembro de 2025 junto com Gemini 3, e desde maio de 2026 ganhou uma aplicação desktop standalone, CLI e SDK próprios.

As Cheminformatics Skills são um conjunto de habilidades que estendem esse IDE para o domínio de química. Elas não são um modelo novo: são instruções, ferramentas determinísticas e conectores que o agente aprende a usar. O que faz o agente capaz de mexer com moléculas sem alucinar é uma biblioteca específica rodando por baixo.

Como a divisão de trabalho entre LLM e ferramenta funciona

Aqui está o ponto que importa entender. O artigo da DeepMind descreve uma separação explícita: o modelo de linguagem orquestra, navega bancos e raciocina sobre o problema científico. As ferramentas determinísticas fazem as contas de química. Não é o LLM que decide se duas moléculas são iguais, e nem calcula propriedades de olho. Ele chama uma função.

Pense num cozinheiro experiente com uma balança de precisão. Ele decide o que cozinhar, em que ordem, e o que fazer quando algo dá errado. Mas quando precisa pesar 2,4 gramas de fermento, ele usa a balança, não olho. Se tentasse adivinhar, o pão desmoronaria. A analogia quebra num ponto: a balança não tem opinião sobre o que pesar, enquanto o RDKit tem regras químicas embutidas que podem recusar uma operação inválida. Ou seja, a ferramenta aqui também valida, não só calcula.

A balança que o agente usa: RDKit

A base é o RDKit. RDKit é uma coleção de software de quimioinformática e aprendizado de máquina escrita em C++ e Python. Em termos práticos, ele faz coisas como converter um SMILES (uma string ASCII que descreve uma molécula) em um objeto molecular, calcular descritores como peso molecular e cLogP, gerar fingerprints para machine learning e checar subestruturas. Ele oferece um runtime químico confiável para agentes: I/O de molécula e canonicalização, operações de estrutura, primitivas de subestrutura e similaridade, e featurização por descritor e fingerprint, deixando que agentes transformem strings químicas em objetos validados e features prontas para machine learning.

Por que isso importa? Porque a mesma molécula pode aparecer como nome IUPAC num paper, como estrutura Markush numa patente, ou como arquivo SDF num catálogo. Se o LLM tentasse unificar essas representações por conta própria, erraria. Uma única ligação trocada já descreve uma substância diferente. O RDKit canoniza: toda representação de entrada vira a mesma representação interna, e qualquer cálculo posterior parte daquela forma canônica.

Os conectores: ChEMBL e PubChem

Além do RDKit, as skills trazem conectores para ChEMBL e PubChem, dois bancos públicos de compostos com dados biológicos e químicos. Isso dá ao agente acesso a milhões de moléculas já curadas, com propriedades medidas em laboratório. O LLM não precisa lembrar a potência de um composto: ele consulta.

O que é uma skill, na prática

No modelo de agente do Antigravity, uma skill é um pacote que ensina ao agente três coisas: quais ferramentas existem, quando chamar cada uma, e quais são as boas práticas do domínio. O artigo original deixa claro, por exemplo, que a skill de modelagem orienta o agente a usar divisões cronológicas quando a data dos compostos está disponível (treinar com o antigo, prever o novo), e cair em divisão por scaffold quando não está. Isso não é decisão do LLM na hora, é regra codificada na skill.

O que isso significa na prática: o fluxo do artigo, passo a passo

O caso de uso que a DeepMind escolheu é rigidificação de molécula, uma técnica clássica de química medicinal. Resumindo: uma molécula com muitas ligações rotacionáveis muda de forma livremente em solução. Para se ligar a um alvo biológico, ela precisa assumir uma única forma. Quanto mais flexível ela é, maior o custo entrópico de travar nessa forma, e menor a afinidade. Adicionar ligações extras para travar a geometria no formato certo aumenta a potência. O exemplo real citado: crizotinibe tem cinco ligações rotacionáveis principais; lorlatinibe, seu sucessor ciclizado, reduz esse número a zero.

O fluxo que o agente roda é esse:

  1. Busca na literatura. O agente extrai moléculas dos documentos, associa cada uma aos dados reportados (potência, propriedades) e filtra ruído como solventes e tampões. Retorna milhares de compostos e um relatório.
  2. Exploração interativa. Abre um visualizador onde o cientista plota, por exemplo, potência contra ligações rotacionáveis, colorido por status de macrociclo. Visualmente já fica claro que macrociclos tendem a ter menos ligações rotacionáveis e maior potência.
  3. Matched molecular pair analysis (MMPA). Compara pares de moléculas que diferem por uma única mudança discreta (nesse caso, ciclizadas versus não ciclizadas) para isolar o efeito da mudança. O agente propôs isso sozinho, antecipando que o conjunto teria muitos pares informativos.
  4. Modelagem preditiva. O agente treina vários modelos de potência com diferentes featurizações e arquiteturas, valida em conjunto retido, e usa scaffold split (dividir por esqueleto Bemis-Murcko, deixando scaffolds inteiros fora do treino) para estimar generalização. O artigo relata RMSE entre 0,51 e 0,68 em quatro endpoints ALK, segundo os gráficos de paridade.
  5. Design de novos compostos. O agente propõe novos macrociclos, prediz potência deles com os próprios modelos treinados no passo anterior, e sugere rotas de síntese com diagramas de setas curvas (eletron-pushing) para mostrar o mecanismo.

Um trecho representativo do que uma chamada de skill faz, se traduzido para pseudo-código:

mol = rdkit.parse_smiles("CC1=CC(=C(C=C1)Cl)N2...") # entrada do paper
canonical = rdkit.canonicalize(mol) # forma única
descriptors = rdkit.compute({
 "logP": True,
 "rotatable_bonds": True,
 "is_macrocycle": True
})
# o LLM recebe o resultado estruturado e decide o próximo passo

O LLM nunca calcula logP. Ele lê o número que o RDKit devolveu, e usa esse número no raciocínio seguinte.

Esse padrão, de LLM que orquestra e ferramenta que calcula, não é inédito na direção, mas é maduro aqui. Tem a ver com algo que já vi acontecer em outros contextos: no StartAtende, meu agente de suporte no WhatsApp, o agente não só responde, ele vira fonte de decisão de produto. A conversa que entra alimenta análise depois. A ideia é a mesma: o modelo é bom em orquestrar e interpretar, mas qualquer afirmação sensível precisa vir de uma fonte verificável, não do modelo.

Onde quebra

A própria DeepMind é explícita sobre o limite, e vale repetir aqui porque é o ponto mais honesto do artigo. Dados esparsos, ruído de ensaios entre laboratórios e faixas dinâmicas estreitas limitam a precisão preditiva de qualquer modelo. Design computacional é hipótese testável, não medicamento pronto. Toda molécula proposta pelo agente precisa ser sintetizada e validada em bancada.

Em termos práticos, isso significa:

  • O RMSE reportado é para o conjunto que o agente treinou. Em scaffolds completamente novos, fora da distribuição, o erro tende a crescer. Scaffold split ajuda a estimar isso, mas não elimina.
  • O agente herda o viés do banco. Se ChEMBL tem pouca cobertura para uma classe de molécula, o modelo preditivo vai ser ruim naquela classe, mesmo que pareça confiante.
  • MMPA depende de volume de pares. Para alvos com poucos dados públicos, essa análise não se sustenta.
  • Latência e custo não são triviais. Rodar milhares de consultas a bancos, treinar vários modelos e gerar visualizações consome tempo de computação e quota de modelo. O artigo diz uma hora para o exemplo deles, que é um caso bem documentado. Casos com dados mais sujos são mais lentos.

Tem outra coisa que aparece em qualquer agente que usa dado real como entrada de inteligência: usar conversa de cliente como inteligência exige cuidado com o que pode ou não ser lido e guardado. No caso químico, equivalente: dados de ensaio internos de uma farmacêutica não vão para um agente que roda contra a nuvem sem política de dados estabelecida. Isso não é detalhe, é governança.

O que ainda não dá para afirmar

Alguns pontos ficam em aberto no artigo original:

  • Não está claro qual o custo de token de rodar o fluxo completo, nem qual a taxa de sucesso do agente em cenários diferentes do exemplo escolhido (crizotinibe/lorlatinibe é um caso muito bem documentado, com muitos dados públicos).
  • Não foi divulgado o quanto da lógica de modelagem está na skill versus no prompt interno do agente. Isso importa para quem quer estender.
  • A oferta de acesso gratuito ao tier mais alto para 10.000 cientistas por seis meses sugere que ainda estão coletando dados de uso real antes de calibrar preços e limites. O comportamento em escala pode mudar.
  • Não vi comparação direta com outros agentes científicos (como os que usam MCP com RDKit por fora). Está aí, é um ponto a testar.

Como testar isso você mesmo

Se você quer entender o mecanismo na mão, tem um caminho pequeno e barato antes de instalar o Antigravity:

  1. Instale o RDKit em Python (pip install rdkit). Carregue o SMILES do crizotinibe e do lorlatinibe, calcule Descriptors.NumRotatableBonds e Descriptors.MolLogP. Veja na prática como a biblioteca canoniza e calcula.
  2. Baixe um subset de ChEMBL para um alvo de interesse (ALK, por exemplo, que é o alvo do artigo) e rode uma MMPA simples com a biblioteca mmpdb. Você vai sentir a diferença entre uma orquestração manual e o que o agente do Antigravity faz em segundo plano.
  3. Depois disso, instale o Antigravity e o plugin Science. Pergunte ao agente a mesma pergunta que você acabou de responder manualmente. Compare o output. É aí que você aprende o que a skill está fazendo além de você, e o que ela está fazendo mal.

A ordem importa. Entender o RDKit antes de ver o agente orquestrando RDKit transforma a demo em algo que você consegue debugar. Sem isso, é só uma caixa preta que dá respostas bonitas.

Deixe um Comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *