Google DeepMind convierte Antigravity en un banco de trabajo para descubrir fármacos
Google DeepMind presentó el 3 de noviembre de 2026 Cheminformatics Skills, una nueva capacidad para Google Antigravity que transforma la plataforma en un entorno científico colaborativo orientado al descubrimiento de fármacos.
La propuesta combina agentes de inteligencia artificial con herramientas especializadas de química computacional para acelerar tareas como la búsqueda de compuestos, el análisis de estructuras moleculares, la construcción de modelos predictivos y el diseño de nuevas moléculas candidatas.
En una demostración centrada en medicamentos utilizados contra determinados tipos de cáncer de pulmón, un agente examinó miles de compuestos, realizó análisis de pares moleculares emparejados y propuso nuevos macrociclos rigidificados con posibles rutas de síntesis.
El proceso completo se desarrolló en una hora, frente a los varios días que normalmente puede requerir una iteración comparable de investigación.
Contexto: de varios días de análisis a un flujo de trabajo asistido por IA
El diseño de nuevos medicamentos implica trabajar con información química procedente de gráficos, figuras y literatura científica. Los investigadores deben organizar esos datos, entrenar modelos capaces de predecir propiedades moleculares y seleccionar estructuras candidatas para su posterior síntesis.
Cada iteración suele exigir varios días de trabajo, especialmente cuando es necesario relacionar información de diferentes fuentes con las características de las moléculas estudiadas.
Con Cheminformatics Skills, Google DeepMind plantea una distribución de tareas entre la inteligencia artificial y el software científico especializado.
El modelo de lenguaje se encarga de coordinar el flujo de trabajo, navegar por bases de datos y razonar sobre los resultados. Los cálculos moleculares, por su parte, quedan en manos de herramientas químicas deterministas.
Esta separación permite que el agente participe en diferentes etapas del análisis científico mientras utiliza herramientas específicas para las operaciones químicas.
Cómo funcionan Cheminformatics Skills en Google Antigravity
La nueva capacidad se apoya en RDKit, un conjunto de herramientas de quimioinformática de código abierto, y utiliza conectores para acceder a recursos químicos como ChEMBL y PubChem.
Mediante esta integración, Google Antigravity funciona como un banco de trabajo donde los investigadores pueden colaborar con un agente de IA durante distintas etapas del descubrimiento molecular.
Las herramientas permiten reunir información sobre compuestos, analizar sus propiedades, comparar estructuras y desarrollar modelos para estimar su potencia.
El objetivo es integrar estas actividades en un flujo de trabajo científico donde los resultados puedan explorarse y servir de base para nuevas hipótesis químicas.
Crizotinib y lorlatinib: el caso que demuestra el enfoque
Para ilustrar las capacidades del sistema, Google DeepMind utilizó dos medicamentos relacionados con el tratamiento de determinados carcinomas pulmonares de células no pequeñas: crizotinib y lorlatinib.
Crizotinib es un inhibidor de tirosina quinasa de primera generación cuya estructura presenta cinco enlaces rotables principales.
Lorlatinib, un inhibidor de tercera generación, posee una estructura ciclizada que reduce efectivamente a cero el número de enlaces rotables y presenta una mayor potencia.
La diferencia permite explicar una estrategia utilizada en química medicinal: la rigidificación molecular.
Cuando una molécula tiene varios enlaces rotables, puede adoptar numerosas configuraciones tridimensionales. Sin embargo, para unirse a su objetivo debe alcanzar una forma activa determinada.
Esa pérdida de libertad de movimiento implica un costo entrópico que puede afectar su capacidad de unión.
La rigidificación limita las conformaciones posibles al fijar la estructura molecular. De esta manera, la molécula puede quedar estabilizada en una configuración favorable para su actividad.
Este principio suele describirse como pagar el costo entrópico por adelantado y constituye la base del ejercicio presentado por DeepMind.
Miles de compuestos analizados en minutos
Durante la demostración, el agente utilizó Cheminformatics Skills para buscar información sobre los medicamentos estudiados y otros compuestos relacionados.
En cuestión de minutos recuperó miles de estructuras químicas, descartó elementos irrelevantes, como tampones y disolventes, y documentó las fuentes de la información recopilada.
El análisis inicial permitió identificar una característica relevante: una gran parte de los macrociclos estudiados tenía predicciones favorables de penetración cerebral.
Esta propiedad resulta importante para el contexto clínico seleccionado, porque el tipo de cáncer de pulmón considerado con frecuencia produce metástasis cerebrales.
El sistema también generó un visor interactivo para explorar los compuestos y sus propiedades.
Entre las visualizaciones disponibles se encuentra una gráfica que relaciona la potencia de las moléculas con su número de enlaces rotables, lo que permite observar las diferencias entre estructuras rígidas y flexibles.
En los datos presentados, los macrociclos como lorlatinib tienden a mostrar menos enlaces rotables y mayor potencia.
Análisis molecular y modelos predictivos de potencia
Después de recopilar y organizar la información, el agente realizó un análisis de pares moleculares emparejados.
Esta técnica compara moléculas que presentan modificaciones estructurales concretas para estudiar cómo esos cambios se relacionan con sus propiedades.
En el caso presentado, el análisis permitió contrastar compuestos ciclizados y no ciclizados.
Los resultados confirmaron la tendencia esperada: la ciclización reduce el número de enlaces rotables y, generalmente, incrementa la potencia molecular.
A continuación, el agente construyó y validó modelos predictivos de potencia utilizando los datos recopilados.
El proceso incorporó diferentes formas de dividir la información para evaluar los modelos, incluidas divisiones cronológicas y divisiones basadas en el andamiaje molecular.
Las divisiones cronológicas permiten utilizar compuestos más antiguos para predecir propiedades de otros más recientes, mientras que las divisiones por andamiaje consideran diferencias entre estructuras moleculares.
Esta etapa proporcionó al agente una base adicional para evaluar nuevas propuestas químicas.
Nuevos macrociclos con rutas de síntesis propuestas
La última fase del ejercicio consistió en utilizar los análisis anteriores para generar nuevos diseños moleculares.
El agente propuso macrociclos rigidificados, planteó rutas de síntesis para obtenerlos y aplicó los modelos previamente construidos para estimar su potencia.
De esta forma, el flujo de trabajo conectó la búsqueda de información química con el análisis estructural, la predicción de propiedades y la formulación de nuevas moléculas candidatas.
La demostración de Google DeepMind reúne estas etapas dentro de una misma sesión de investigación asistida por IA, completada en aproximadamente una hora.
Los límites de la predicción computacional
Google DeepMind también señala las limitaciones que acompañan a estos sistemas.
La disponibilidad de datos escasos, las diferencias y el ruido entre ensayos realizados en distintos laboratorios y los rangos dinámicos estrechos pueden reducir la precisión de los modelos predictivos.
Estas condiciones influyen en la capacidad para estimar correctamente la potencia de nuevos compuestos.
Por ello, los diseños generados computacionalmente deben entenderse como hipótesis científicas comprobables, no como medicamentos terminados.
Cada molécula propuesta necesita sintetizarse y someterse a validación experimental para determinar sus propiedades reales.
El valor de Cheminformatics Skills se sitúa, por tanto, en acelerar la generación y el análisis de hipótesis que posteriormente deben examinarse mediante experimentos.
Disponibilidad y acceso para investigadores
Cheminformatics Skills está disponible desde el 3 de noviembre de 2026 en Google Antigravity mediante el plugin Science.
Los usuarios Enterprise también pueden acceder mediante la opción Business Account, utilizando sus credenciales de Google Cloud.
Además, Google DeepMind anunció una iniciativa para ofrecer a 10.000 científicos el nivel de uso más alto de Google Antigravity gratuitamente durante seis meses.
La incorporación de los participantes será progresiva y dependerá de los requisitos de elegibilidad, la capacidad disponible y el proceso de selección.
Las solicitudes para participar en esta iniciativa ya están abiertas.
DeepMind en contexto
DeepMind fue fundada en Londres en 2010 y adquirida por Google en 2014. La compañía es creadora de AlphaFold, uno de sus desarrollos de inteligencia artificial aplicados a la investigación científica.
