从文献里找化合物、整理结构、比较活性，再提出新的分子设计，谷歌在11月3日公布的 Antigravity 演示中，把这些工作串在了约一小时内。
“一小时”很醒目，也很容易被转述成 AI 一小时做出新药。官方材料展示的范围要具体得多。这是一次计算与资料分析工作流的演示，最后得到的是需要继续验证的设计假设，距离可以给患者使用的药物还有多个阶段。
我查阅了官方技术介绍。这次公开的 Cheminformatics Skills，把化学信息学工具和数据库检索接到代理工作中。它值得关注的地方，在于模型怎样调用已有工具，帮助研究者少花一些时间整理材料。
先把分子认对
化学文献中的同一个分子，可能以名称、图片或结构文件出现。研究者需要把它们对应起来，再确认旁边的实验数据属于哪个化合物。若名称识别正确、结构却少了一条键，后续分析就可能落在另一个对象上。
官方特别提到，原子或化学键发生一个变化，就可能成为不同化合物。这也决定了科研代理不能只写出一段看起来正确的解释。它必须确认结构与数据的对应关系，整理过程应当能够回到原始来源检查。
这套技能依托 RDKit 执行分子处理等确定性计算，并连接 ChEMBL、PubChem 等数据库。语言模型负责组织工作、导航检索与解释，专业工具执行相应的化学操作。不同环节使用不同能力，降低了完全依赖模型文字推断的需要。
不过，调用了可靠工具也要确认输入正确。代理把错误结构交给计算工具，工具仍然可能算出形式上完整的结果。输入核对、工具执行和输出解释，各自都有需要检查的地方。
演示为什么选现有药物
官方用克唑替尼与洛拉替尼相关化合物举例，展示分子刚性化思路。这两种是已有药物，演示借助已有研究说明流程，不能写成这次代理独立发现的新药。
一些分子含有可旋转的连接，能形成多种空间构象。研究者有时通过新增连接限制转动，希望让分子更容易处在适合结合靶点的形状。这个过程牵涉实际构象和其他性质，不能根据“更固定”就断定药效一定更好。
在演示中，代理检索数千个化合物，排除缓冲剂、溶剂等无关分子，整理来源，并把相关数据放入可以浏览的界面。研究者可以点击具体分子查看信息，也可以调整散点图观察性质之间的关系。
这一步的价值很实在。资料汇总以后，研究者更容易知道数据包含了哪些分子、缺少哪些信息，也更方便发现异常。若只有一段最终总结，反而难以知道代理究竟参考了什么。
从比较数据到提出候选
后续演示使用匹配分子对分析，比较结构上只存在特定变化的分子，尝试观察环化等改动对应的影响。限制比较对象之间的差别，可以为研究者判断结构变化提供更明确的材料。
代理还训练活性预测模型，并使用留出的数据评估。官方说明，有时间信息时会指导代理按时间划分，让较早化合物用于训练、较新化合物用于预测；信息不齐时，可以采用骨架划分，检查对不同结构的推广表现。
分数怎样得来？划分方式会直接影响答案。如果测试数据与训练数据过于相近，模型可能只需识别熟悉的结构。对更晚出现或结构不同的化合物进行测试，能够提出更严格的问题，但依然不能等同于实验确认有效。
在完成分析以后，代理提出新的大环候选及合成路线，还可以把结果导出，交给其他常用化学软件继续分析。到这里，它产生了值得研究的方案，实验室仍然需要判断方案是否可做，以及做出来后表现如何。
预测活性、能够合成、对人体安全，是不同阶段的问题。一个环节的结果改善，不会自动完成后面的验证。官方说明同样强调，每个提出的设计都需要合成和实验验证。
一小时这个数字如何使用
约一小时对应官方这次演示中的流程。它没有包括全部后续实验，更没有包含完整临床研究。数据稀疏、不同实验室测量差异，以及测量范围较窄等问题，都会限制预测精度。
研究机构若要评估类似工具，可以先挑选一个已有结果的历史任务，检查代理能否找到正确材料，并把每个中间文件保留下来。等检索和结构整理通过核对，再逐步加入模型预测与新方案设计。
验收也需要拆到工作步骤。资料整理用了多久、人工纠错需要多久、哪些结果能进入下一阶段，这些记录才能说明工具实际节省了什么。只计代理运行时间，会遗漏研究者复核和返工的投入。
对关注大模型应用的人，这次案例还提供了一种判断产品的方式。可以直接问系统接入了哪些数据库，结构怎样验证，结果能否导出，出了错如何追溯。这些问题比泛泛询问“模型懂不懂化学”更接近实际使用。
药物研发中的资料与计算工作有了更快完成的可能，研究假设也可能更快进入讨论。接下来仍需要研究者挑选值得验证的方向，把候选分子带到实验中。那约一小时的成果，最终要靠这些后续结果证明价值。
