A inteligência artificial está a entrar numa fase em que deixa de ser apenas uma ferramenta de resposta, resumo ou apoio administrativo. Em investigação biomédica, começam a surgir sistemas capazes de formular hipóteses, comparar caminhos possíveis, propor experiências e ajudar a interpretar resultados laboratoriais. A diferença é profunda: em vez de apenas organizar conhecimento existente, estes sistemas procuram gerar novo conhecimento testável.

Publicidade Desde €1,70

Dois trabalhos recentes publicados na Nature mostram essa mudança com clareza. Um apresenta o Co-Scientist (que já se referiu antes aqui), um sistema multiagente construído sobre modelos Gemini para gerar hipóteses científicas estruturadas. O outro apresenta Robin, um sistema multiagente concebido para fechar o ciclo entre literatura científica, geração de hipóteses, desenho experimental, análise de dados e novas iterações. Em ambos os casos, a promessa não está apenas na fluência do texto, mas na capacidade de produzir ideias que podem ser validadas em laboratório.

O Co-Scientist funciona como uma espécie de laboratório virtual. Em vez de depender de um único modelo a tentar fazer tudo, distribui tarefas por agentes especializados. Há um agente supervisor que recebe o objectivo definido pelo cientista, organiza o trabalho e mantém o sistema focado. A partir daí, outros agentes assumem funções distintas: gerar hipóteses, criticar propostas, agrupar ideias semelhantes, evoluir conceitos promissores e ordenar os melhores candidatos.

A parte mais interessante desta arquitectura é a tensão entre criação e crítica. Um agente gera possíveis explicações ou tratamentos; outro tenta desmontá-los, procurando erros, falta de novidade, fragilidades lógicas ou inconsistências com a literatura. Esta dinâmica imita, de forma automatizada, uma das partes mais importantes da ciência: a pressão crítica que separa uma ideia interessante de uma hipótese realmente plausível.

O sistema também usa mecanismos de ranking. As hipóteses podem ser comparadas entre si em torneios internos, com avaliações sucessivas que fazem subir as propostas mais fortes e eliminam as mais fracas. A lógica é semelhante aos sistemas de pontuação usados em jogos competitivos, mas aplicada à qualidade científica: novidade, plausibilidade, impacto e testabilidade.

Esta abordagem é particularmente relevante porque os modelos de linguagem podem alucinar. Uma frase convincente não é uma descoberta. Por isso, o valor destes sistemas depende da sua capacidade de gerar hipóteses que sobrevivam a avaliação independente e, sobretudo, a testes experimentais. No caso do Co-Scientist, os investigadores compararam as suas propostas com soluções de peritos humanos e de outros modelos de IA, recorrendo a avaliação cega por especialistas.

Os resultados indicaram que, quando o sistema teve tempo computacional suficiente para iterar, as suas hipóteses foram avaliadas como mais fortes em novidade, plausibilidade e impacto. Isto não significa que a IA substitua cientistas, mas sugere que pode expandir o espaço de ideias exploradas. Em áreas onde a literatura é demasiado vasta para qualquer equipa dominar por completo, essa capacidade pode fazer diferença.

Um dos exemplos mais fortes veio da leucemia mieloide aguda, uma forma agressiva de cancro do sangue. O problema central desta doença não é apenas eliminar células cancerígenas inicialmente, mas impedir recaídas. Certas células estaminais leucémicas permanecem dormentes, resistem a tratamentos convencionais e podem mais tarde reacender a doença de forma mais agressiva.

O Co-Scientist analisou milhares de medicamentos já aprovados para uso humano e procurou candidatos que pudessem ser reutilizados contra esta doença. Esta estratégia, conhecida como reposicionamento terapêutico, é atractiva porque parte de moléculas com historial clínico conhecido, reduzindo tempo, custo e incerteza face ao desenvolvimento de um fármaco inteiramente novo.

Entre os candidatos identificados estavam compostos já usados noutros contextos oncológicos, mas também hipóteses menos óbvias. Um caso particularmente relevante envolveu a exploração de vias de stress celular. A ideia era simples mas poderosa: células cancerígenas de crescimento rápido vivem sob enorme pressão interna, acumulando proteínas mal dobradas e dependentes de mecanismos de limpeza celular para sobreviver.

Publicidade Desde €3,50

Ao interferir com essas vias de resposta ao stress, seria possível atingir selectivamente células leucémicas mais vulneráveis a esse tipo de perturbação. Em testes laboratoriais, algumas propostas mostraram actividade relevante contra células associadas à recaída, precisamente aquelas que costumam ser mais difíceis de eliminar. Aqui, a descoberta não foi apenas encontrar uma molécula; foi ligar mecanismos biológicos dispersos numa hipótese terapêutica testável.

Outro ponto importante foi a combinação de fármacos. Testar um medicamento isolado já é complexo; testar combinações de dois ou três multiplica rapidamente o número de possibilidades. O Co-Scientist propôs combinações que atacavam a doença por vias complementares, e algumas mostraram efeito sinérgico em validação experimental. Isto aponta para uma das maiores vantagens da IA científica: reduzir drasticamente o espaço de procura antes de chegar ao laboratório.

O mesmo princípio foi aplicado a outras áreas, como fibrose hepática e resistência antimicrobiana. Na fibrose hepática, o objectivo era encontrar alvos epigenéticos capazes de reduzir a formação excessiva de tecido cicatricial no fígado. Na resistência antimicrobiana, o sistema ajudou a formular uma explicação para a forma como certos elementos genéticos móveis conseguem espalhar resistência entre espécies bacterianas diferentes.

A resistência antimicrobiana é uma das ameaças de saúde pública mais sérias deste século. Quando bactérias, fungos ou outros microrganismos deixam de responder aos tratamentos disponíveis, infecções antes controláveis tornam-se perigosas. A capacidade de uma IA propor mecanismos plausíveis para explicar a circulação rápida de resistência pode acelerar a identificação de pontos de intervenção antes que o problema se agrave.

Mas o Co-Scientist tem uma limitação clara: é sobretudo uma máquina de formular hipóteses. A etapa seguinte é ainda mais ambiciosa: criar sistemas que acompanhem o ciclo experimental, recebam dados crus do laboratório, analisem-nos, tirem conclusões e proponham a próxima experiência. É aqui que Robin se torna especialmente relevante.

Robin combina agentes dedicados à revisão de literatura e à análise de dados. Crow faz síntese científica rápida; Falcon aprofunda candidatos terapêuticos, mecanismos, segurança e riscos; Finch trata da parte dura da análise experimental, escrevendo e executando código para interpretar dados laboratoriais. O ponto essencial é que Robin não pára na ideia inicial: aprende com os resultados e volta a propor o passo seguinte.

Para reduzir o risco de erro na análise de dados complexos, Robin usa múltiplas instâncias independentes do agente Finch. Em vez de confiar numa só interpretação, várias análises correm em paralelo e as conclusões são aceites por consenso. Esta abordagem é importante porque dados biológicos são ruidosos, incompletos e muitas vezes ambíguos. Mesmo cientistas experientes podem discordar perante o mesmo conjunto de resultados.

A aplicação demonstrada focou-se na degeneração macular relacionada com a idade na forma seca, uma das principais causas de perda irreversível de visão no mundo desenvolvido. Robin propôs aumentar a fagocitose do epitélio pigmentar da retina, isto é, melhorar a capacidade dessas células removerem resíduos que se acumulam no olho. A hipótese foi testada em células humanas, e o sistema analisou os resultados para escolher caminhos melhores.

Inicialmente, Robin identificou compostos capazes de melhorar esse processo de limpeza celular. Depois, ao analisar dados de sequenciação de RNA, encontrou sinais ligados ao gene ABCA1, envolvido no transporte de lípidos e relacionado com vias relevantes para a doença. A partir dessa pista, propôs novos candidatos, incluindo ripasudil, um inibidor ROCK já usado clinicamente no Japão para glaucoma, e KL001, associado à regulação do relógio circadiano celular.

O mais importante não é apenas cada candidato isolado. É o ciclo: ler literatura, propor uma hipótese, desenhar experiências, receber dados, analisá-los, encontrar mecanismos e propor uma versão melhor da hipótese. Este ciclo é a essência do método científico, mas comprimido por sistemas que conseguem processar centenas de artigos e executar análises em tempos muito inferiores aos de uma equipa humana.

Ainda há limites claros. Estes sistemas dependem de validação experimental, supervisão humana, boa curadoria de dados e prudência na interpretação. Uma hipótese gerada por IA não é automaticamente uma terapia, e resultados in vitro estão longe de equivaler a tratamentos aprovados para pacientes. Mas a direcção é evidente: a IA está a tornar-se uma parceira activa na descoberta científica, capaz de acelerar a procura por respostas em cancro, cegueira, fibrose e resistência antimicrobiana. A ciência não ficou automática; ficou mais rápida, mais iterativa e, potencialmente, muito mais ampla.