Hecho: Google DeepMind publicó el 3 de noviembre de 2026 un post sobre Cheminformatics Skills para Google Antigravity, un juego de habilidades que convierte a la superficie en un banco de trabajo científico colaborativo con acceso a herramientas locales, tanto para químicos computacionales como para químicos de banco. En el caso presentado, un agente busca en literatura y catálogos, corre análisis de pares moleculares emparejados y propone macrociclos rígidos con rutas de síntesis en cerca de una hora, un flujo que suele llevar varios días por iteración.
Cómo está armado
- División de trabajo: el modelo de lenguaje maneja la orquestación, la navegación de bases de datos y el razonamiento científico; las herramientas de química deterministas ejecutan los cálculos moleculares.
- Está anclado en RDKit, el toolkit open source de cheminformatics desarrollado durante dos décadas, con conectores a los recursos curados ChEMBL y PubChem.
- Las definiciones de las skills se publican en el repositorio google-deepmind/science-skills de GitHub, según tsnmedia, y están disponibles vía el plugin Science de la app Antigravity; los usuarios empresariales entran con credenciales de Google Cloud.
El caso: fármacos de cáncer de pulmón
El walkthrough usa dos fármacos reales para cáncer de pulmón de células no pequeñas: crizotinib, un inhibidor de tirosina quinasa de primera generación con cinco enlaces rotatables importantes («flojo» en solución), y lorlatinib, de tercera generación, que está ciclado en anillo y deja sus enlaces rotatables efectivos en cero. El agente buscó en literatura los dos fármacos y sus análogos, recuperó miles de compuestos en minutos, descartó disolventes y tampones, documentó de dónde salió cada dato, señaló que los macrociclos en anillo estaban mayormente predichos como penetrantes en cerebro (importante porque este cáncer se disemina al cerebro), corrió el análisis de pares moleculares emparejados y confirmó el resultado de manual: ciclizar reduce enlaces rotatables y suele subir la potencia. Después entrenó y comparó modelos de potencia con divisiones por andamio (scaffold splits) antes de proponer nuevos macrociclos rígidos con rutas de síntesis, diagramas de flechas electrónicas y predicción de potencia, y puede preparar los compuestos para AlphaFold o simulaciones de dinámica molecular.
Lo que no es
DeepMind es explícito: «cada diseño propuesto debe sintetizarse y validarse experimentalmente». Los modelos de potencia están limitados por datos escasos, ruido de ensayo entre laboratorios y rangos dinámicos angostos; los diseños son hipótesis. La publicación independiente de dev.to lo resume: «el valor está en la tubería, no en las moléculas».
Fuentes: deepmind.google (3/11/2026), tsnmedia (3/11), dev.to (3/11).




