Google Antigravity 化学信息学：科研 Agent 如何连接工具与证据

语言模型负责协调，计算工具负责回答

11 月 3 日公告展示了一种清楚的分工：语言模型理解研究问题、访问数据库并解释结果，分子性质计算主要交给 RDKit 等确定性软件。[1] 这里的确定性，是同一输入与计算配置能够重复得到同一工具结果；它不意味着输入数据天然正确，也不意味着预测等同实验。

这种组合有价值，是因为研究者往往需要在不同文件、命名和数据库之间反复搬运信息。Agent 可以把自然语言问题转成一组工具步骤，并整理可复查的结果。我们的判断是，它首先改善的是研究流程的衔接，而模型能否提出有用见解，仍要看任务定义、工具质量和证据是否完整。

封面为 Token4AI Cloud 原创概念插画，以分子环、研究笔记和计算仪器表现协作关系；它不是药物结构图、实验照片或实测数据。文中不把插画中的连接当作真实化学键，也没有进行本站药物筛选或模型复现实验。

分子的身份，必须先于漂亮的分析

公告讨论了 IUPAC 名称、专利表达和 SDF 文件等异构材料，并强调一个原子或键的变化就会改变分子身份。[1] 对研究 Agent 来说，检索到相似名称并不等于找到了同一化合物。表示转换、立体信息和记录关联，都可能在后续分析开始之前引入错误。

官方示例连接 ChEMBL、PubChem，并进行整理、去除无关物质和记录来源。[1] 一个可信的研究产物因此应同时保留原始记录与清洗后的对象，说明删改依据。若只有最终的散点图或结论，读者很难判断异常来自真实化学差异、单位问题，还是混入了不适合比较的实验记录。

RDKit 的官方站点将其定义为开源化学信息学工具包。[3] 开源工具让流程更容易检查，但完整复现仍需要工具版本、输入文件与具体选项。使用者可以要求 Agent 输出脚本、处理日志与数据库标识，让人能够沿原始证据重跑，而不是只接受一段流畅的解释。

宏环案例，说明关联需要怎样被拆解

公告用肺癌相关药物研究说明宏环化：限制分子柔性，可能减少结合时的熵损失，但前提是被固定的形状适合目标。[1] 这是一种条件性的药物设计思路。环更大、更刚性或旋转键更少，都不能单独成为“药效更好”的通用判据。

官方流程先整理化合物，再比较成环与未成环的分子对，以观察结构变化与实验读数的关系。[1] 相比把所有分子放进一张相关性图，这种比较更容易定位问题，不过仍需检查是否同时改变了其他结构、测量是否同口径。没有这些条件，就很难把差异归因于成环本身。

给非化学专业读者的启发是：Agent 越擅长自动生成分析，越应该要求它解释比较对象为何可比。可以让报告逐项列出结构差异、实验来源与缺失字段，并把无法排除的混杂因素单列出来。这样的报告可能更谨慎，却更接近可供研究者继续工作的证据。

预测模型的考题，要离训练材料足够远

案例还训练了多种效力预测模型，并在保留数据上比较。公告建议有时间信息时采用时间划分，另可按分子骨架划分，示例使用后者。[1] 骨架指分子的核心结构；按骨架分组，是为了减少相似分子同时进入训练与测试所造成的乐观估计。

随机划分容易回答“能否预测熟悉分子的近邻”，真正的新候选则可能离训练数据更远。骨架或时间划分改变了考试难度，也会影响模型选择。不能把不同划分下的分数混在一起排榜，更不能凭预测值的精确小数位推断实际实验同样精确。

公告承认数据量、不同实验室测定差异及测量范围会限制预测。[1] 建议要求 Agent 报告分组方式、训练范围和不确定性线索；对证据薄弱的新结构，保留“需要实验确认”的结论。官方没有提供完整可重跑的基准协议与全部性能数值，本文也不补造排名。

可交付的研究结果，应当能够接着做

候选结构、预测效力和合成设想可以帮助研究者决定下一步，但公告没有报告新提议分子的实验验证。[1] 这使案例的产出更适合被理解为一组有计算依据的研究假设。是否值得投入实验，还需要领域专家检查可行性、证据质量和项目目标。

Science 页面说明插件可从应用内 Customizations 市场安装，并连接多类科研数据资源。[2] 公告另有面向一万名科学家的六个月高档使用额度活动，但受资格、容量与遴选条件约束。[1] 安装插件与获选活动属于不同事项，不能把活动写成所有账户无限可用。

评估此类系统，可先选择一个已有结论、允许公开数据重跑的小任务，验收来源、脚本、失败记录和结果文件。借助 Agent 托管服务组织长任务时，也应让产物可恢复、可追踪。真正值得采用的信号，是另一位研究者能够接着检查和推进工作，而不只是演示过程显得很快。