Pesquisadores do Google e da organização FutureHouse divulgaram esta semana dois sistemas de inteligência artificial treinados especificamente para explorar dados biológicos e formular novas hipóteses sobre doenças. O trabalho, publicado na revista Nature, demonstra como algoritmos conseguem identificar conexões esquecidas na literatura científica e sugerir medicamentos já existentes para novos usos terapêuticos.
Os dois assistentes funcionam de maneiras distintas, mas compartilham um objetivo comum: ajudar cientistas a navegar pelo crescente volume de informações científicas publicadas. O avanço não pretende substituir pesquisadores, mas potencializar seu trabalho ao processar milhares de artigos simultaneamente.
A montanha de dados que ninguém consegue escalar
A explosão de publicações científicas criou um problema prático para qualquer pesquisador. Com dezenas de milhares de novos artigos lançados anualmente, ficar atualizado em um único campo se tornou uma tarefa quase impossível. Pior ainda é quando informações relevantes aparecem em áreas completamente diferentes.
Imagine nós, cientistas, estudando desenvolvimento dos olhos. Os mesmos mecanismos biológicos que formam a visão também aparecem na formação dos rins. Se aquele pesquisador não consultar a literatura de nefrologia, perderá descobertas cruciais que poderiam inspirar novas abordagens em seu próprio trabalho.
A FutureHouse descreveu esse fenômeno como “síntese combinatorial”. Essencialmente, trata-se de encontrar conexões não óbvias entre campos distintos, identificando oportunidades que especialistas deixam passar simplesmente porque trabalham em silos isolados.
Como o Google Co-Scientist funciona?
O sistema da Google, batizado Co-Scientist, usa o modelo Gemini para interpretar objetivos de pesquisa propostos por humanos. A partir daí, o algoritmo busca na literatura científica disponível, gera múltiplas hipóteses e as coloca em competição direta.
Aqui está o detalhe importante: cientistas permanecem no controle o tempo todo. O sistema não toma decisões autônomas. Quando testou drogas para combater leucemia mieloide aguda, um painel de especialistas humanos revisou cada sugestão gerada pela máquina, garantindo que as ideias fizessem sentido biológico antes de qualquer experimento.
O algoritmo avalia continuamente fatores como plausibilidade, novidade, capacidade de teste e segurança. Uma ferramenta especial, chamada Reflection agent, impede que o sistema invente hipóteses que pareçam inovadoras mas sejam biologicamente impossíveis, um problema comum com inteligência artificial descontrolada.
O sistema de FutureHouse vai além
Enquanto o Co-Scientist precisa de supervisão humana em cada etapa, a abordagem da FutureHouse chamada Robin consegue algo mais ambicioso: analisar dados biológicos brutos de certos tipos de experimentos sem intermediários.
Sua aplicação prática testada envolveu degeneração macular relacionada à idade, uma doença ocular que afeta milhões de pessoas. O sistema rastreou a literatura disponível, identificou novos padrões e sugeriu medicamentos existentes que nunca haviam sido testados para essa condição específica.
Resultados promissores, mas limitados
Os testes com leucemia geraram resultados típicos para terapias contra câncer. Algumas drogas recomendadas funcionaram bem em certos tipos celulares, mas não em outros. Isso reflete a realidade biológica: existem múltiplos caminhos para que uma célula se torne cancerosa, então uma droga que bloqueia uma rota pode ser completamente ineficaz contra células que seguem outra via.
Nenhum dos sistemas gerou curas milagrosas, mas este não era o ponto. O objetivo era demonstrar se máquinas conseguem peneirar montanhas de dados científicos com velocidade e precisão superiores aos humanos. Em ambos os casos, a resposta foi sim.
Google mencionou brevemente que seu sistema também realiza hipóteses biológicas mais gerais, usando como exemplo a propagação de genes de virulência em bactérias, mas forneceu poucos detalhes sobre esse trabalho. O foco claro permanece nas aplicações biomédicas diretas.
Esses desenvolvimentos sinalizam uma mudança importante em como a pesquisa científica funcionará nos próximos anos. Inteligência artificial não substituirá julgamento humano, criatividade ou compreensão teórica profunda. Mas pode eliminar o trabalho tedioso de vasculhar literatura e ajudar biólogos a dedicar tempo para questões que realmente exigem raciocínio complexo.
Foto: Tope J. Asokere no Pexels
Matéria original: https://arstechnica.com/science/2026/05/two-ai-based-science-assistants-succeed-with-drug-retargeting-tasks/
Deixe seu comentário