Was Google DeepMind offiziell veroeffentlicht hat
Google DeepMind hat am 3. November 2026 eine Sammlung neuer Cheminformatik-Skills fuer Google Antigravity vorgestellt. Antigravity ist eine agentische Arbeitsumgebung, in der ein Sprachmodell Aufgaben plant, lokale Werkzeuge verwendet und Ergebnisse in interaktiven Ansichten aufbereitet.
Die Skills sind laut DeepMind ab sofort ueber das Science-Plugin in der Antigravity-App verfuegbar. Enterprise-Nutzer koennen sie mit einem Google-Cloud-Geschaeftskonto einsetzen. Das Unternehmen bietet ausserdem 10.000 ausgewaehlten Wissenschaftlern fuer sechs Monate die hoechste Nutzungsstufe kostenlos an; Teilnahme, Kapazitaet und Auswahl sind begrenzt.
Technisch trennt Google zwei Rollen: Das zugrunde liegende Sprachmodell orchestriert den Ablauf, navigiert Datenbanken und begruendet Entscheidungen. Deterministische Chemiewerkzeuge fuehren Molekuelberechnungen aus. Als Grundlage nennt DeepMind das Open-Source-Toolkit RDKit sowie Verbindungen zu ChEMBL und PubChem.
Bestaetigt ist die Verfuegbarkeit der Skills. Die gezeigten Resultate stammen aus einer Herstellerdemonstration und sind keine unabhaengige klinische oder wissenschaftliche Validierung.
Was der Agent in der Demonstration erledigt
DeepMind demonstriert den Ablauf an Crizotinib und Lorlatinib, zwei Wirkstoffen gegen bestimmte Formen von nicht-kleinzelligem Lungenkrebs. Der Agent durchsucht Fach- und Patentliteratur, sammelt Tausende Verbindungen, entfernt irrelevante Eintraege und bereitet die Daten fuer weitere Analysen auf.
Anschliessend fuehrt das System eine Matched-Molecular-Pair-Analyse durch. Dabei werden Molekuelpaare verglichen, die sich nur in einer gezielten strukturellen Aenderung unterscheiden. Der Agent trainiert zudem mehrere Modelle zur Vorhersage der Wirkstaerke und bewertet sie auf zurueckgehaltenen Daten.
Im letzten Schritt schlaegt der Agent neue, versteifte Makrozyklen und moegliche Syntheserouten vor. Er verbindet dabei die zuvor gewonnenen Daten mit chemischem Modellwissen und stellt Reaktionsmechanismen grafisch dar. Ergebnisse lassen sich laut DeepMind in gaengige Formate fuer weitere Fachsoftware exportieren.
Wie die Zeitersparnis einzuordnen ist
DeepMind schreibt, ein solcher Ablauf dauere normalerweise mehrere Tage pro Iteration. Mit Antigravity sei die gezeigte Kombination aus Recherche, Datenaufbereitung, Analyse, Modelltraining und Molekuelentwurf in etwa einer Stunde gelungen. Das ist eine Herstellerangabe aus einem einzelnen ausgewaehlten Szenario.
Die Meldung nennt keine kontrollierte Vergleichsstudie, keine wiederholten Laufzeiten und keine unabhaengige Fehlerquote. Sie belegt daher nicht, dass jeder Cheminformatik-Workflow im selben Mass beschleunigt wird oder dass die Vorschlaege denen erfahrener Wirkstoffforscher generell entsprechen.
Der interessante Fortschritt liegt weniger in einer einzelnen Geschwindigkeitszahl als in der Integration: Ein allgemeines Agentensystem kann spezialisierte Datenquellen, etablierte Fachsoftware, interaktive Auswertung und nachvollziehbare Arbeitsschritte in einem Ablauf verbinden.
Die Stunde ist kein allgemeiner Benchmark. Sie beschreibt DeepMinds konkreten Demonstrationsablauf und sollte erst nach reproduzierbaren Tests auf andere Projekte uebertragen werden.
Welche Grenzen DeepMind selbst nennt
DeepMind weist ausdruecklich darauf hin, dass duenne Datensaetze, Unterschiede zwischen Laboren und enge Messbereiche die Vorhersagegenauigkeit begrenzen. Auch leistungsfaehige Modelle koennen aus solchen Daten keine Gewissheit erzeugen.
Computergestuetzte Entwuerfe bleiben testbare Hypothesen. Jedes vorgeschlagene Molekuel muss synthetisiert und experimentell geprueft werden. Die Ankuendigung meldet weder ein neu validiertes Medikament noch einen klinischen Durchbruch.
Offen bleiben in der Meldung konkrete Preise nach kostenlosen oder enthaltenen Kontingenten, Datenhaltungsdetails fuer einzelne Tarife und quantitative Qualitaetswerte der vorgeschlagenen Molekuele. Auch die verwendete Modellversion kann innerhalb des Workflows variieren; die Screenshots zeigen unter anderem Gemini 3.8 Flash und Argon.
Warum spezialisierte Agenten fuer das KI-Oekosystem wichtig sind
Die Veroeffentlichung zeigt einen Trend weg vom reinen Chatfenster hin zu fachlich ausgestatteten Agenten. Entscheidend ist nicht nur das Sprachmodell, sondern das Paket aus Werkzeugen, Datenzugriff, Regeln fuer den Ablauf und einer Oberflaeche, in der Fachleute Zwischenergebnisse kontrollieren koennen.
Fuer wissenschaftliche Anwendungen ist die Trennung zwischen probabilistischer Planung und deterministischer Berechnung besonders sinnvoll. Das Sprachmodell kann Arbeitsschritte vorschlagen und verbinden, waehrend etablierte Bibliotheken chemische Strukturen und Messwerte nach definierten Verfahren verarbeiten.
Die MindrAils-Einordnung: Cheminformatik ist ein spezialisiertes Beispiel, aber das Muster ist breiter relevant. Agenten werden dann nuetzlicher, wenn Fachwissen als pruefbare Skills vorliegt, Werkzeuge begrenzte Aufgaben ausfuehren und Menschen Hypothesen, Datenqualitaet und Freigaben kontrollieren.
Worauf Teams bei eigenen Tests achten sollten
Ein belastbarer Pilot sollte einen klar begrenzten, bereits verstandenen Referenzprozess verwenden. Teams sollten festhalten, welche Quellen der Agent durchsucht, welche Daten er verwirft, welche Werkzeuge er mit welchen Parametern aufruft und an welchen Stellen Fachleute eingreifen.
Qualitaet laesst sich nicht nur an Laufzeit messen. Wichtig sind reproduzierbare Datenaufbereitung, chemische Gueltigkeit, Treffer auf zurueckgehaltenen Beispielen, nachvollziehbare Quellen und die Rate unbrauchbarer oder riskanter Vorschlaege.
Bei sensiblen Forschungsdaten muessen ausserdem Zugriffsrechte, Protokollierung, Datenstandort und vertragliche Bedingungen vor dem Einsatz geklaert werden. Vorschlaege sollten nie ohne fachliche Pruefung in Labor- oder Produktionsablaeufe gelangen.
- Referenzaufgabe und erwartete Ergebnisse vorab festlegen
- Datenquellen, Filter und Werkzeugaufrufe protokollieren
- Hersteller-Zeitangaben mit wiederholten eigenen Laeufen pruefen
- Molekuelvorschlaege durch Fachleute und Experimente validieren
- Zugriff, Datenhaltung und Exportwege vorab klaeren
Quellen und weiterführende Informationen
Die Quellen wurden zu den jeweils angegebenen Zeitpunkten abgerufen. Externe Inhalte können sich danach ändern.
- Agentic cheminformatics with Google AntigravityGoogle DeepMind · abgerufen amQuelle öffnen
Dieser Beitrag wurde von der MindrAils Redaktion quellenbasiert eingeordnet. Er dient der allgemeinen Information und ersetzt keine Rechts-, Datenschutz- oder Fachberatung für einen konkreten Einzelfall.