Antigravity 化学信息学 Skills:一小时演示之后,如何验收科研代理

Google 发布化学信息学 Skills。本文分析分子身份、活性标签、数据切分与复核成本,给出可执行的试点评测方案,区分工作流加速与实验成果。

一小时演示之后,科研团队该验收什么

2026 年 11 月 3 日,Google DeepMind 发布 Antigravity 化学信息学 Skills 的技术演示:语言模型负责组织工作流,RDKit 等专业工具负责计算,连接 ChEMBL、PubChem 等资源,完成资料整理、分析和候选设计。官方称展示的流程约一小时完成,并明确计算设计仍须实验验证。这是专业代理工作流的进展,不能据此宣布新药研发周期已经缩短到一小时。Google 官方公告

截至 11 月 8 日,本文核对的是公开说明与基础工具文档,没有运行这套服务,也没有复现实验。下面不评价某个候选药物是否有效,而是讨论一个更可操作的问题:当 AI 能快速交付一张化合物表和一份预测报告,什么证据足以让研究者把它用于下一轮决策?

我的判断是,近期最值得投入的环节是资料整理与可追溯分析。它们有明确输入,可以逐条抽查,也能保留人工基线。自主决定下一批实验的门槛应高得多,因为错误排序会消耗真实实验资源。这个判断并非永久结论:如果团队积累了前瞻验证记录,并证明在相同预算下提高命中率,代理承担决策的范围就可以扩大。

确定性工具解决了什么,又留下了什么

把计算交给程序,降低一种错误

语言模型适合把需求拆成步骤,但让它凭文字猜测分子属性不容易审计。RDKit 官方入门文档提供结构读取、转换和失败返回的明确接口。解析失败会返回空对象,调用方可以据此中止后续操作,而不是继续生成一个貌似合理的数值。RDKit Python 文档

由此可以推导出一种合理分工:代理选择经过允许的操作,程序产出数值和错误状态,报告引用具体计算记录。与每次临时写一个无法复核的答案相比,固定工具让计算路径更容易重放。但这里的“确定性”只针对给定输入和配置。若输入结构错了,工具可以稳定地算出错误对象的正确属性。

这意味着最需要检查的地方往往在工具之前。例如,文献图片识别漏掉一个立体化学标记,或者正文里的化合物编号被关联到相邻一行。后续代码不一定报错,仪表盘也可能非常漂亮。测试只验证“脚本执行成功”,会把这一整类问题漏掉。

分子身份需要可逆的整理记录

本文建议为每条结构保留三层记录:原始来源中的表示、整理后的机器表示,以及采用的转换规则。不要只留下最后一个标准化字符串。实际复核时,研究者需要知道某个片段为什么被删除、某个电荷如何处理、重复记录如何归并。

这里有一个容易忽视的反例:两条记录在预设规则下归并成同一结构,不代表两次实验条件相同。结构去重服务于身份整理,实验去重服务于统计分析,它们的键不应混用。保留实验条件的多条测量,有时比把数据压成“一分子一数值”更符合问题本身。

因此,一套可接受的交付物应同时有结构主表和测量明细表。两者通过稳定编号关联,原文位置、来源版本、处理日志另行保存。研究者可以质疑某一次转换,而不用重建整套数据。这不是某家产品已经做到的承诺,而是本文给试点团队的验收建议。

活性标签的语义,比数据量更重要

同样是数值,可能回答不同问题

ChEMBL 文档把结合、功能、吸收分布代谢排泄、毒性等测定类型分别说明,也解释了靶点关系的置信度。它还指出,原始文献单位需要持续标准化整理。由此可见,抓到一列数值只是开始,数据所在的实验语境同样重要。ChEMBL 测定与活性说明

设想一个纯教学案例:表中一行是某蛋白体系的抑制浓度,另一行是细胞体系的响应浓度。如果代理把两者并成统一“活性”列,算法可能学到实验系统之间的差异,而非研究者关心的结构规律。即使单位已经统一,也不能消除这种语义混合。

另一个陷阱是不等号。假设记录写着“大于某阈值”,它提供的是界限,不是那个阈值处的精确观测。直接删除不等号,会人为制造一批数值相同的样本;直接删除这些记录,也可能改变样本分布。正确处理取决于任务,至少应保留原始关系符,并在训练协议中说明如何使用。

先写数据契约,再让代理扩大检索

我的建议是先用少量记录写出可执行的数据契约:接受什么实验类型,是否允许不同物种,哪些单位可转换,如何处理缺失值与关系符,冲突测量是保留、聚合还是等待复核。每一条规则都要有一个能触发失败的例子。

这些条件会压低最终样本数,但样本减少不自动意味着方法变差。若原来的大量记录描述不同问题,更干净的小集合反而更适合当前目标。反例也应承认:过度严格的过滤会让覆盖范围过窄,导致系统只在少数熟悉化合物上表现不错。因此,报告必须同时给出保留比例、排除原因和适用范围,不能只展示清洗后的漂亮结果。

在这个层面,AI 的价值是把整理规则应用得更快、把可疑记录找得更全。领域专家仍负责决定哪些差异可以忽略。若规则本身尚未确定,先让代理批量下载更多数据,只会放大后续返工。

骨架切分比随机切分更严格,但并非泛化保证

测试集应模拟未来工作的距离

MoleculeNet 原始研究将骨架切分纳入分子模型评测:按二维结构框架分组,有助于避免随机拆分时过于相似的分子散落在不同集合。这篇研究是历史方法依据,不是本周的新消息。MoleculeNet 原始论文

假设团队未来要预测同一系列的细微改动,测试集与训练集相近未必不合理。若目标是探索明显不同的新系列,同一评测就可能过于容易。评价切分方法的关键,是它是否接近部署任务,而不是是否带有一个听起来更严格的名称。

还要区分两种泄漏:一是结构高度相似带来的乐观估计,二是评测流程实际读到了答案。例如,代理在训练前浏览了含有测试活性值的资料,又把摘要写进特征说明;即使结构切分本身正确,整个工作流也已失去独立检验的意义。

有反例,才知道改进的边界

2024 年的研究《Scaffold Splits Overestimate Virtual Screening Performance》指出,不同骨架的分子仍可能相似,因此骨架切分也可能高估虚拟筛选效果。论文在其数据和模型条件下比较了多种切分方案。这个结果支持进一步检查结构距离,但不能推导出某一种聚类法适合所有业务。原始预印本

本文建议至少报告测试分子与训练集最近邻的相似度分布,并按距离分层列出误差。如果总体成绩很好,但较远分子的误差急剧增加,团队就应该限制使用范围。拒绝对陌生区域给出高置信度排序,也可以是有价值的能力。

时间切分同样需要精确定义。按论文发表年份切分,不必然等于按团队实际可获得数据的时间切分;补录、专利公开和数据库更新可能存在时间差。试点报告应注明采用哪个日期,无法核定的记录单独处理,避免把一个方便字段包装成真实前瞻实验。

一套可以落地的复核协议

以下是本文提出的评测方案,尚未执行,不代表 Antigravity 的实际成绩。它针对公开、非敏感资料的整理与性质预测,不涉及临床决策,也不要求自动执行化学实验。

第一阶段:固定任务与材料

选择一个团队熟悉、范围明确的历史问题,准备一批有合法使用权限的公开文献和结构文件。冻结文件校验值、工具版本、检索日期与运行预算。人工参考结果由专家建立,至少包含来源位置、结构、测量类型和处理理由。不要把参考答案放进代理可访问的目录。

另建少量边界样本:无法解析的结构、重复来源、不同单位、带关系符的数值、缺失实验类型。它们不需要涉及危险化学对象;目的只是检查系统如何报告不确定性。预先规定遇到什么情况必须停止,不允许代理在看见评测结果后悄悄改规则。

第二阶段:分别测试读取和建模

先只评价资料整理,不让预测模型掩盖提取错误。计算逐字段正确率,并额外统计严重错误,例如把一个实验结果关联到另一个结构。无法确定的记录应单独计数,不能与正确结果合并,也不应与错误猜测同等处罚,否则系统会被诱导少报告不确定性。

随后把通过核验的数据交给建模流程。用固定训练、验证、测试分区,验证集用于选择方案,测试集只在最终评估时打开。代理每次尝试的模型、参数和预算都应记录。允许试一百个方案却只报告最优一次,会让模型选择偏差藏在“智能探索”这个词后面。

建议设置三个对照:已有固定脚本、专家按原流程操作、代理辅助流程。第一组回答编排本身是否必要,第二组回答是否减少专家劳动,第三组才是待评估产品。若任务高度稳定、数据格式统一,固定脚本可能更便宜也更可靠;这种结果应该保留,而不是被视为测试失败。

第三阶段:评价交付物能否被接手

让未参与操作的同事仅凭导出文件复算结果,记录找到原文、解释排除原因、重建环境各需多久。把无法重现的项目列为失败,不以“原操作员知道怎么做”代替可复现。

用于排序的任务,还应检查前列候选对轻微条件变化是否稳定。比如改变一个合理的去重规则,或者排除一个来源后,候选排序是否大幅改变。若结果高度敏感,报告应展示多个合理版本,而不是强行给出唯一答案。这类敏感性检查提供的是决策风险信息,未必提高排行榜分数,却直接影响结果能否被使用。

成本账要算到专家复核结束

免费调用也有机会成本

本文没有核定当前账户价格,也不把资助或试用资格折算成长期免费。采购时应分别确认模型调用、数据许可、计算资源和维护费用。但通常更容易被忽视的,是专家检查错误以及整理交付物所花的时间。

可以用一个纯假设的算例理解:旧流程需要十小时人工;代理流程用了两小时准备、三小时审核和一小时返工,再加等值一小时人工成本的服务费用。总成本相当于七小时,节省约三成,而不是根据首次输出耗时宣称提高十倍。若审核变成七小时,总成本就超过旧流程。这里所有数字仅用于说明计算方式,不是产品测试数据。

更完整的比较单位应是“一个被接受且可复现的分析任务”,而不是“一次成功调用”。失败重试、人工纠正、环境升级导致的重跑都进入分母。任务难度也应分层,否则让代理只处理简单案例,就会制造不公平的平均成本优势。

候选数量不应超过验证能力

当生成设计的速度超过验证速度,瓶颈会转移。研究团队可能收到更多看似合理的建议,却没有资源辨别哪一些值得投入。我的推断是,未来这类工具的实际价值可能更多体现在排除低质量候选、明确不确定性和整理证据,而非无限增加候选数量。

这个推断也有反例:在实验验证非常便宜、并行能力充足的环境中,扩大探索数量可能确实有收益。判断条件应该是每单位预算得到多少有效信息,以及新增候选是否提供新的结构或假设,而不是列表是否越来越长。

现在适合谁,什么情况下应该暂缓

已有清晰数据协议、掌握基础化学信息学工具、能安排专家抽查的团队,适合从一个重复性任务开始试用。最好的起点是来源可追踪、成功标准明确、出错能够回滚的流程。一次只开放必需目录和工具,未公开结构及商业资料是否允许进入服务,应先按机构的数据要求确认。

如果团队目前无法定义“正确结构”“可比较测量”或“可接受误差”,先购买更强的代理并不能解决这些问题。此时更值得投入的是建立参考数据、整理规则和评测基线。否则模型升级后成绩变好了,团队仍无法解释原因,也无法判断结果在何处失效。

这次公告最有意义的方向,是让通用代理与专业计算工具结合,降低跨工具操作的门槛。但应用价值最终要由可接手的数据、独立评测和验证成本决定。短期内,我会把它定位为有监督的研究工作台;当它在连续的前瞻任务中证明收益,并能稳定暴露自己的盲区时,再扩大自动化范围。这样的推进速度看起来谨慎,却更接近科研真正需要的可靠积累。

相关文章

评论

登录后即可参与讨论

暂无评论。