{"id":819,"date":"2026-11-03T18:34:20","date_gmt":"2026-11-03T21:34:20","guid":{"rendered":"https:\/\/yellowkode.com\/blog\/cheminformatics-skills-google-antigravity\/"},"modified":"2026-11-03T18:34:20","modified_gmt":"2026-11-03T21:34:20","slug":"cheminformatics-skills-google-antigravity","status":"publish","type":"post","link":"https:\/\/yellowkode.com\/blog\/cheminformatics-skills-google-antigravity\/","title":{"rendered":"Cheminformatics Skills no Google Antigravity: como um agente coordena RDKit, ChEMBL e PubChem para desenhar mol\u00e9culas"},"content":{"rendered":"<p>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 pot\u00eancia e prop\u00f5e novos macrociclos com rotas de s\u00edntese, tudo em cerca de uma hora. \u00c9 um caso concreto de agente cient\u00edfico rodando dentro de um IDE ag\u00eantico, e vale entender o mecanismo antes de olhar para o resultado.<\/p>\n<h2>O que o an\u00fancio e sobre o que est\u00e1 constru\u00eddo<\/h2>\n<p>Para situar: Google Antigravity \u00e9 uma plataforma de desenvolvimento ag\u00eantica, com uma experi\u00eancia de IDE familiar combinada com uma interface agent-first, que permite enviar agentes para planejar, executar e verificar tarefas atrav\u00e9s do editor, terminal e browser. Ela foi lan\u00e7ada em novembro de 2025 junto com Gemini 3, e desde maio de 2026 ganhou uma aplica\u00e7\u00e3o desktop standalone, CLI e SDK pr\u00f3prios.<\/p>\n<p>As Cheminformatics Skills s\u00e3o um conjunto de habilidades que estendem esse IDE para o dom\u00ednio de qu\u00edmica. Elas n\u00e3o s\u00e3o um modelo novo: s\u00e3o instru\u00e7\u00f5es, ferramentas determin\u00edsticas e conectores que o agente aprende a usar. O que faz o agente capaz de mexer com mol\u00e9culas sem alucinar \u00e9 uma biblioteca espec\u00edfica rodando por baixo.<\/p>\n<h2>Como a divis\u00e3o de trabalho entre LLM e ferramenta funciona<\/h2>\n<p>Aqui est\u00e1 o ponto que importa entender. O artigo da DeepMind descreve uma separa\u00e7\u00e3o expl\u00edcita: o modelo de linguagem orquestra, navega bancos e raciocina sobre o problema cient\u00edfico. As ferramentas determin\u00edsticas fazem as contas de qu\u00edmica. N\u00e3o \u00e9 o LLM que decide se duas mol\u00e9culas s\u00e3o iguais, e nem calcula propriedades de olho. Ele chama uma fun\u00e7\u00e3o.<\/p>\n<p>Pense num cozinheiro experiente com uma balan\u00e7a de precis\u00e3o. Ele decide o que cozinhar, em que ordem, e o que fazer quando algo d\u00e1 errado. Mas quando precisa pesar 2,4 gramas de fermento, ele usa a balan\u00e7a, n\u00e3o olho. Se tentasse adivinhar, o p\u00e3o desmoronaria. A analogia quebra num ponto: a balan\u00e7a n\u00e3o tem opini\u00e3o sobre o que pesar, enquanto o RDKit tem regras qu\u00edmicas embutidas que podem recusar uma opera\u00e7\u00e3o inv\u00e1lida. Ou seja, a ferramenta aqui tamb\u00e9m valida, n\u00e3o s\u00f3 calcula.<\/p>\n<h3>A balan\u00e7a que o agente usa: RDKit<\/h3>\n<p>A base \u00e9 o RDKit. RDKit \u00e9 uma cole\u00e7\u00e3o de software de quimioinform\u00e1tica e aprendizado de m\u00e1quina escrita em C++ e Python. Em termos pr\u00e1ticos, ele faz coisas como converter um SMILES (uma string ASCII que descreve uma mol\u00e9cula) em um objeto molecular, calcular descritores como peso molecular e cLogP, gerar fingerprints para machine learning e checar subestruturas. Ele oferece um runtime qu\u00edmico confi\u00e1vel para agentes: I\/O de mol\u00e9cula e canonicaliza\u00e7\u00e3o, opera\u00e7\u00f5es de estrutura, primitivas de subestrutura e similaridade, e featuriza\u00e7\u00e3o por descritor e fingerprint, deixando que agentes transformem strings qu\u00edmicas em objetos validados e features prontas para machine learning.<\/p>\n<p>Por que isso importa? Porque a mesma mol\u00e9cula pode aparecer como nome IUPAC num paper, como estrutura Markush numa patente, ou como arquivo SDF num cat\u00e1logo. Se o LLM tentasse unificar essas representa\u00e7\u00f5es por conta pr\u00f3pria, erraria. Uma \u00fanica liga\u00e7\u00e3o trocada j\u00e1 descreve uma subst\u00e2ncia diferente. O RDKit canoniza: toda representa\u00e7\u00e3o de entrada vira a mesma representa\u00e7\u00e3o interna, e qualquer c\u00e1lculo posterior parte daquela forma can\u00f4nica.<\/p>\n<h3>Os conectores: ChEMBL e PubChem<\/h3>\n<p>Al\u00e9m do RDKit, as skills trazem conectores para ChEMBL e PubChem, dois bancos p\u00fablicos de compostos com dados biol\u00f3gicos e qu\u00edmicos. Isso d\u00e1 ao agente acesso a milh\u00f5es de mol\u00e9culas j\u00e1 curadas, com propriedades medidas em laborat\u00f3rio. O LLM n\u00e3o precisa lembrar a pot\u00eancia de um composto: ele consulta.<\/p>\n<h3>O que \u00e9 uma skill, na pr\u00e1tica<\/h3>\n<p>No modelo de agente do Antigravity, uma skill \u00e9 um pacote que ensina ao agente tr\u00eas coisas: quais ferramentas existem, quando chamar cada uma, e quais s\u00e3o as boas pr\u00e1ticas do dom\u00ednio. O artigo original deixa claro, por exemplo, que a skill de modelagem orienta o agente a usar divis\u00f5es cronol\u00f3gicas quando a data dos compostos est\u00e1 dispon\u00edvel (treinar com o antigo, prever o novo), e cair em divis\u00e3o por scaffold quando n\u00e3o est\u00e1. Isso n\u00e3o \u00e9 decis\u00e3o do LLM na hora, \u00e9 regra codificada na skill.<\/p>\n<h2>O que isso significa na pr\u00e1tica: o fluxo do artigo, passo a passo<\/h2>\n<p>O caso de uso que a DeepMind escolheu \u00e9 rigidifica\u00e7\u00e3o de mol\u00e9cula, uma t\u00e9cnica cl\u00e1ssica de qu\u00edmica medicinal. Resumindo: uma mol\u00e9cula com muitas liga\u00e7\u00f5es rotacion\u00e1veis muda de forma livremente em solu\u00e7\u00e3o. Para se ligar a um alvo biol\u00f3gico, ela precisa assumir uma \u00fanica forma. Quanto mais flex\u00edvel ela \u00e9, maior o custo entr\u00f3pico de travar nessa forma, e menor a afinidade. Adicionar liga\u00e7\u00f5es extras para travar a geometria no formato certo aumenta a pot\u00eancia. O exemplo real citado: crizotinibe tem cinco liga\u00e7\u00f5es rotacion\u00e1veis principais; lorlatinibe, seu sucessor ciclizado, reduz esse n\u00famero a zero.<\/p>\n<p>O fluxo que o agente roda \u00e9 esse:<\/p>\n<ol>\n<li><strong>Busca na literatura.<\/strong> O agente extrai mol\u00e9culas dos documentos, associa cada uma aos dados reportados (pot\u00eancia, propriedades) e filtra ru\u00eddo como solventes e tamp\u00f5es. Retorna milhares de compostos e um relat\u00f3rio.<\/li>\n<li><strong>Explora\u00e7\u00e3o interativa.<\/strong> Abre um visualizador onde o cientista plota, por exemplo, pot\u00eancia contra liga\u00e7\u00f5es rotacion\u00e1veis, colorido por status de macrociclo. Visualmente j\u00e1 fica claro que macrociclos tendem a ter menos liga\u00e7\u00f5es rotacion\u00e1veis e maior pot\u00eancia.<\/li>\n<li><strong>Matched molecular pair analysis (MMPA).<\/strong> Compara pares de mol\u00e9culas que diferem por uma \u00fanica mudan\u00e7a discreta (nesse caso, ciclizadas versus n\u00e3o ciclizadas) para isolar o efeito da mudan\u00e7a. O agente prop\u00f4s isso sozinho, antecipando que o conjunto teria muitos pares informativos.<\/li>\n<li><strong>Modelagem preditiva.<\/strong> O agente treina v\u00e1rios modelos de pot\u00eancia com diferentes featuriza\u00e7\u00f5es e arquiteturas, valida em conjunto retido, e usa scaffold split (dividir por esqueleto Bemis-Murcko, deixando scaffolds inteiros fora do treino) para estimar generaliza\u00e7\u00e3o. O artigo relata RMSE entre 0,51 e 0,68 em quatro endpoints ALK, segundo os gr\u00e1ficos de paridade.<\/li>\n<li><strong>Design de novos compostos.<\/strong> O agente prop\u00f5e novos macrociclos, prediz pot\u00eancia deles com os pr\u00f3prios modelos treinados no passo anterior, e sugere rotas de s\u00edntese com diagramas de setas curvas (eletron-pushing) para mostrar o mecanismo.<\/li>\n<\/ol>\n<p>Um trecho representativo do que uma chamada de skill faz, se traduzido para pseudo-c\u00f3digo:<\/p>\n<pre><code>mol = rdkit.parse_smiles(\"CC1=CC(=C(C=C1)Cl)N2...\") # entrada do paper\ncanonical = rdkit.canonicalize(mol) # forma \u00fanica\ndescriptors = rdkit.compute({\n \"logP\": True,\n \"rotatable_bonds\": True,\n \"is_macrocycle\": True\n})\n# o LLM recebe o resultado estruturado e decide o pr\u00f3ximo passo\n<\/code><\/pre>\n<p>O LLM nunca calcula logP. Ele l\u00ea o n\u00famero que o RDKit devolveu, e usa esse n\u00famero no racioc\u00ednio seguinte.<\/p>\n<p>Esse padr\u00e3o, de LLM que orquestra e ferramenta que calcula, n\u00e3o \u00e9 in\u00e9dito na dire\u00e7\u00e3o, mas \u00e9 maduro aqui. Tem a ver com algo que j\u00e1 vi acontecer em outros contextos: no StartAtende, meu agente de suporte no WhatsApp, o agente n\u00e3o s\u00f3 responde, ele vira fonte de decis\u00e3o de produto. A conversa que entra alimenta an\u00e1lise depois. A ideia \u00e9 a mesma: o modelo \u00e9 bom em orquestrar e interpretar, mas qualquer afirma\u00e7\u00e3o sens\u00edvel precisa vir de uma fonte verific\u00e1vel, n\u00e3o do modelo.<\/p>\n<h2>Onde quebra<\/h2>\n<p>A pr\u00f3pria DeepMind \u00e9 expl\u00edcita sobre o limite, e vale repetir aqui porque \u00e9 o ponto mais honesto do artigo. Dados esparsos, ru\u00eddo de ensaios entre laborat\u00f3rios e faixas din\u00e2micas estreitas limitam a precis\u00e3o preditiva de qualquer modelo. Design computacional \u00e9 hip\u00f3tese test\u00e1vel, n\u00e3o medicamento pronto. Toda mol\u00e9cula proposta pelo agente precisa ser sintetizada e validada em bancada.<\/p>\n<p>Em termos pr\u00e1ticos, isso significa:<\/p>\n<ul>\n<li><strong>O RMSE reportado \u00e9 para o conjunto que o agente treinou.<\/strong> Em scaffolds completamente novos, fora da distribui\u00e7\u00e3o, o erro tende a crescer. Scaffold split ajuda a estimar isso, mas n\u00e3o elimina.<\/li>\n<li><strong>O agente herda o vi\u00e9s do banco.<\/strong> Se ChEMBL tem pouca cobertura para uma classe de mol\u00e9cula, o modelo preditivo vai ser ruim naquela classe, mesmo que pare\u00e7a confiante.<\/li>\n<li><strong>MMPA depende de volume de pares.<\/strong> Para alvos com poucos dados p\u00fablicos, essa an\u00e1lise n\u00e3o se sustenta.<\/li>\n<li><strong>Lat\u00eancia e custo n\u00e3o s\u00e3o triviais.<\/strong> Rodar milhares de consultas a bancos, treinar v\u00e1rios modelos e gerar visualiza\u00e7\u00f5es consome tempo de computa\u00e7\u00e3o e quota de modelo. O artigo diz uma hora para o exemplo deles, que \u00e9 um caso bem documentado. Casos com dados mais sujos s\u00e3o mais lentos.<\/li>\n<\/ul>\n<p>Tem outra coisa que aparece em qualquer agente que usa dado real como entrada de intelig\u00eancia: usar conversa de cliente como intelig\u00eancia exige cuidado com o que pode ou n\u00e3o ser lido e guardado. No caso qu\u00edmico, equivalente: dados de ensaio internos de uma farmac\u00eautica n\u00e3o v\u00e3o para um agente que roda contra a nuvem sem pol\u00edtica de dados estabelecida. Isso n\u00e3o \u00e9 detalhe, \u00e9 governan\u00e7a.<\/p>\n<h2>O que ainda n\u00e3o d\u00e1 para afirmar<\/h2>\n<p>Alguns pontos ficam em aberto no artigo original:<\/p>\n<ul>\n<li>N\u00e3o est\u00e1 claro qual o custo de token de rodar o fluxo completo, nem qual a taxa de sucesso do agente em cen\u00e1rios diferentes do exemplo escolhido (crizotinibe\/lorlatinibe \u00e9 um caso muito bem documentado, com muitos dados p\u00fablicos).<\/li>\n<li>N\u00e3o foi divulgado o quanto da l\u00f3gica de modelagem est\u00e1 na skill versus no prompt interno do agente. Isso importa para quem quer estender.<\/li>\n<li>A oferta de acesso gratuito ao tier mais alto para 10.000 cientistas por seis meses sugere que ainda est\u00e3o coletando dados de uso real antes de calibrar pre\u00e7os e limites. O comportamento em escala pode mudar.<\/li>\n<li>N\u00e3o vi compara\u00e7\u00e3o direta com outros agentes cient\u00edficos (como os que usam MCP com RDKit por fora). Est\u00e1 a\u00ed, \u00e9 um ponto a testar.<\/li>\n<\/ul>\n<h2>Como testar isso voc\u00ea mesmo<\/h2>\n<p>Se voc\u00ea quer entender o mecanismo na m\u00e3o, tem um caminho pequeno e barato antes de instalar o Antigravity:<\/p>\n<ol>\n<li><strong>Instale o RDKit em Python<\/strong> (<code>pip install rdkit<\/code>). Carregue o SMILES do crizotinibe e do lorlatinibe, calcule <code>Descriptors.NumRotatableBonds<\/code> e <code>Descriptors.MolLogP<\/code>. Veja na pr\u00e1tica como a biblioteca canoniza e calcula.<\/li>\n<li><strong>Baixe um subset de ChEMBL<\/strong> para um alvo de interesse (ALK, por exemplo, que \u00e9 o alvo do artigo) e rode uma MMPA simples com a biblioteca <code>mmpdb<\/code>. Voc\u00ea vai sentir a diferen\u00e7a entre uma orquestra\u00e7\u00e3o manual e o que o agente do Antigravity faz em segundo plano.<\/li>\n<li><strong>Depois disso, instale o Antigravity<\/strong> e o plugin Science. Pergunte ao agente a mesma pergunta que voc\u00ea acabou de responder manualmente. Compare o output. \u00c9 a\u00ed que voc\u00ea aprende o que a skill est\u00e1 fazendo al\u00e9m de voc\u00ea, e o que ela est\u00e1 fazendo mal.<\/li>\n<\/ol>\n<p>A ordem importa. Entender o RDKit antes de ver o agente orquestrando RDKit transforma a demo em algo que voc\u00ea consegue debugar. Sem isso, \u00e9 s\u00f3 uma caixa preta que d\u00e1 respostas bonitas.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Como as Cheminformatics Skills do Google Antigravity dividem trabalho entre LLM e RDKit para buscar, analisar e propor mol\u00e9culas em um fluxo agentico.<\/p>\n","protected":false},"author":2,"featured_media":818,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-819","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts\/819","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/comments?post=819"}],"version-history":[{"count":0,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/posts\/819\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/media\/818"}],"wp:attachment":[{"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/media?parent=819"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/categories?post=819"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/yellowkode.com\/blog\/wp-json\/wp\/v2\/tags?post=819"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}