文献からの分子抽出、対応する分子対の分析、予測モデル、合成案をつなぐ作業例を公開しました。計算はRDKitなどの道具へ分担し、候補は実験による検証が必要と明記しています。 計算上の設計を完成した薬と混同しないことが焦点です。分子構造の同一性、出典、学習データの分割、実験への引き継ぎを確認する必要があります。 文献と分子計算を一つの作業へ結ぶ Google DeepMindは11月3日、Google Antigravity向けのCheminformatics Skillsを紹介しました。化学研究では、論文の図、特許、構造データなどで分子の表現が異なります。原子や結合の読み違いは、別の物質を扱うことにつながります。今回のSkillsは、言語モデルが検索や作業の進行を担い、分子の計算は確定的な化学ツールで行う役割分担を採っています。RDKitを基盤とし、ChEMBLやPubChemへの接続を組み合わせます。公開例では、既存の治療薬に関する文献調査から新しい分子の設計案までを、一連の共同作業として示しています。 研究者が出典と予測を行き来する 実演では、文献から多数の化合物を集め、溶媒など対象外の分子を除きます。抽出した分子と報告データを結び付け、出典を残す構成です。研究者は対話型の表示で個々の分子を確認し、回転できる結合の数と活性の関係などを比較します。さらに、環を作る変化を含む分子対の分析や、複数の特徴量と手法を使った予測を進めます。モデルは未使用のデータで評価し、情報があれば時系列で分割すると説明しています。影響を受けるのは、文献整理と計算を繰り返す計算化学者や実験担当者と見られます。作業の高速化だけでなく、どの資料から得た構造と測定値なのかを研究者がたどれる点が論点になります。合成経路の提案も、次に検証する仮説として扱う構成です。 構造の誤読と学習データの偏りを点検 DeepMindは、少ないデータや実験室ごとの測定差が予測精度を制限すると明記しています。計算による設計は、完成した医薬品ではありません。提案した分子は合成し、実験で確かめる必要があります。導入側では、分子の同一性と出典を確認する工程を残すことが論点になります。類似した構造が学習と評価の両方に混ざると、未知の分子への性能を過大に見る可能性があります。原文が示す時系列や骨格による分割は、その確認と関係します。研究者による採否の判断、計算資源の利用、実験へ渡す記録の形式も検討対象です。短い実演で得た所要時間を、すべての研究に一律に適用することはできません。自分の対象データで、手作業との違いを確かめる必要があると見られます。 Skillsの提供と利用支援の条件を確認 Skillsは同日からAntigravityで利用可能としています。Scienceプラグインを導入する経路と、企業利用者がGoogle Cloudの認証情報で入る経路を案内しています。また、科学者1万人に最上位の利用枠を6か月無償提供する募集を示しました。対象資格、受け入れ余力、選考の条件があり、順次案内されます。申請だけで利用が確約される仕組みとして受け取らず、研究計画との適合を確認することが判断点です。