EM POUCAS LINHAS
- O fluxo descrito pelo Google começa na recuperação e curadoria de compostos e chega à proposta de novas moléculas.
- Comparar pares moleculares e avaliar modelos com dados separados ajuda a formular hipóteses, não a comprovar a potência de candidatos inéditos.
- O Google anuncia as funcionalidades no Antigravity, mas as fontes não confirmam condições específicas de acesso no Brasil.
Em publicação de 3 de novembro de 2026, o Google DeepMind apresentou uma demonstração de Cheminformatics Skills no Antigravity: um agente percorre dados sobre compostos, analisa relações entre estrutura e potência e sugere novos macrociclos e possíveis rotas de síntese. A pergunta decisiva não é se o agente consegue produzir sugestões, mas o que cada etapa permite concluir. O relato é do próprio desenvolvedor; não apresenta a síntese nem a validação experimental dos novos desenhos.
O que há de novo em relação à busca de peptídeos
A aplicação anterior do Antigravity tratava de outra busca. No relato publicado em 15 de outubro de 2026, o Google descreveu a identificação de um candidato a peptídeo antimicrobiano com atividade prevista contra patógenos de infecções respiratórias e informou que ele passava por validação em laboratório. Aquele fluxo reunia indícios sobre uma sequência biológica; não demonstrava que o candidato já funcionava como tratamento. O contexto dessa publicação também aparece na análise do acervo sobre Antigravity e pesquisa biológica.
A nova demonstração desloca o foco para compostos usados como referência em tratamentos de câncer de pulmão. Seu objetivo é investigar como mudanças na estrutura de moléculas se relacionam com propriedades medidas ou previstas e, a partir daí, propor desenhos. Não se trata de uma atualização dos resultados do peptídeo: são objetos de pesquisa, dados de entrada e hipóteses de validação diferentes.
Da literatura a um conjunto de compostos examinável
Segundo o Google, o modelo de linguagem coordena a navegação por fontes e o encadeamento das tarefas, enquanto ferramentas de química executam cálculos moleculares. O relato cita RDKit e conectores para ChEMBL e PubChem. Essa divisão importa porque uma resposta textual plausível não substitui a representação correta de uma estrutura: uma alteração em átomo ou ligação pode mudar a molécula estudada.
Na demonstração descrita pelo Google, o agente recupera milhares de compostos, descarta itens sem pertinência para a análise, como solventes e tampões, e registra as fontes em um relatório. Depois, oferece um visualizador para inspecionar moléculas e seus metadados e traçar relações entre variáveis, como potência e número de ligações que podem girar. Recuperar muito material, porém, não garante que cada estrutura extraída, associação com um ensaio ou unidade de medida esteja correta. A curadoria torna essas escolhas mais visíveis para a revisão científica; não a elimina.
O que os pares moleculares e os modelos acrescentam
O exemplo de química medicinal escolhido pelo Google é a rigidificação: restringir a flexibilidade de uma molécula para investigar se isso favorece a interação com seu alvo. A análise de pares moleculares comparou compostos que diferiam quanto à ciclização. No conjunto examinado, o Google relata menos ligações rotacionáveis e, em geral, maior potência nos compostos ciclizados. É uma relação observada naquele material, não uma regra segundo a qual fechar qualquer molécula em anel produzirá um candidato melhor.
O agente também construiu modelos de previsão de potência com diferentes características e arquiteturas e os avaliou em um conjunto separado. Essa separação ajuda a investigar se as previsões se sustentam fora dos exemplos usados no treinamento. Não equivale, contudo, a medir no laboratório a potência de uma molécula nova. A utilidade de uma previsão depende, entre outros pontos, da qualidade e da comparabilidade dos dados dos ensaios que alimentaram o modelo.
Por fim, conforme o relato técnico, o agente propôs macrociclos, explicou a lógica química dos desenhos, sugeriu possíveis rotas de síntese e estimou a potência das propostas com os modelos anteriores. Uma rota sugerida indica um caminho a investigar, não comprova que a reação funcionará nas condições necessárias. Do mesmo modo, a potência estimada serve para priorizar hipóteses, não para atribuir eficácia clínica a um composto.
O que ainda precisa ser demonstrado
O Google afirma que o fluxo demonstrado, da busca entre milhares de compostos às propostas de macrociclos, ocorreu em cerca de uma hora. Esse tempo é uma afirmação sobre a demonstração da empresa, não uma medição independente nem uma promessa de duração para outros projetos. O próprio relato adverte que dados escassos, ruído entre ensaios de laboratórios diferentes e faixas dinâmicas estreitas dos valores medidos limitam a precisão das previsões. Uma faixa dinâmica estreita significa que os valores observados abrangem um intervalo pequeno; não é sinônimo de flutuação nas medições. Cada desenho proposto ainda precisa ser sintetizado e validado experimentalmente, segundo o Google.
Para uma equipe de pesquisa, a sequência prudente seria conferir as estruturas e a origem dos dados, examinar se os ensaios comparados medem resultados compatíveis, revisar as rotas propostas e só então decidir quais candidatos justificam síntese e testes. Exemplo hipotético: um laboratório brasileiro poderia usar dados próprios para verificar se o mesmo tipo de comparação ajuda a priorizar moléculas para seus ensaios; um resultado positivo nessa triagem não dispensaria testes experimentais nem demonstraria aplicação clínica.
Quanto ao acesso, a página do Google anuncia as Cheminformatics Skills no Antigravity, com instalação do plugin Science, e menciona uma opção para usuários empresariais. Isso é uma declaração de disponibilidade do fornecedor, distinta da data de publicação da demonstração e dos resultados de pesquisa. As fontes recebidas não estabelecem condições específicas de acesso, preço ou funcionamento dessas funcionalidades em instituições brasileiras. Antes de planejar um projeto em torno delas, essas condições permanecem pendentes de confirmação.
Fontes e referências
- Agentic Cheminformatics with Google Antigravity — Google DeepMinddeepmind.google · Consultado em 04/11/2026
- Google Antigravity: Accelerating Antimicrobial Peptide Search — Google DeepMinddeepmind.google · Consultado em 04/11/2026