São Paulo — InkDesign News — Uma nova abordagem em machine learning pode transformar a pesquisa científica, conforme uma equipe liderada por pesquisadores da Stanford e do Chan Zuckerberg Biohub desenvolveu um sistema chamado Virtual Lab, capaz de criar nanobodies para o SARS-CoV-2.
Arquitetura de modelo
O Virtual Lab utiliza um modelo de linguagem grande (LLM) chamado GPT-4o, que atua como uma equipe interdisciplinar de agentes científicos. Cada agente é programado com uma “persona” específica, representando funções como imunologista e especialista em biologia computacional. Isso permite simulações de reuniões de equipe, onde os agentes não apenas discutem, mas também tomam decisões sobre quais nanobodies modificar.
Treinamento e otimização
O protocolo de treinamento do sistema incluiu a criação de agentes com funções definidas e um processo de iteração contínua. Os agentes discutiram sobre a escolha entre projetar novos anticorpos ou modificar os existentes. Eles optaram pela segunda alternativa, o que acelerou o desenvolvimento, além de utilizar ferramentas como “ESM“ e “AlphaFold multimer“ para previsão de estruturas.
“A ideia central era simular um laboratório interdisciplinar atendido por agentes de IA” (The core idea at the heart of this work was indeed to simulate an interdisciplinary lab staffed by AI agents)— Nome do Pesquisador, Instituição.
Resultados e métricas
O Virtual Lab gerou 92 sequências de nanobodies, com uma taxa de sucesso comparável a projetos humanos, mas em um prazo significativamente menor. “Estes resultados são similares aos de projetos análogos realizados por humanos, mas foram concluídos em muito menos tempo” (These success rates are similar to those coming from analogous projects running in traditional form (that is executed by humans), but they took much much less time to conclude.)— Nome do Pesquisador, Instituição.
O ser humano ainda desempenhou um papel no controle final e na execução de experimentos em laboratório, mas 98,7% do conteúdo foi produzido por agentes, evidenciando um avanço na capacidade de colaboração entre humanos e IA.
As implicações disso são vastas, com a possibilidade de que laboratórios automatizados utilizem este modelo para efetivar pesquisas em larga escala, otimizando o tempo e os recursos. Explorando o potencial da robótica, próximo passo pode incluir o uso de técnicos robóticos para executar experimentos laboratoriais.
Machine learning e inovação em biotecnologia se conectam para criar um futuro onde a pesquisa pode ser realizada com mínima intervenção humana, oferecendo uma abordagem mais eficiente ao desenvolvimento científico.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
