Nobel de Química usa IA generativa para criar moléculas que não existem na natureza
David Baker, que dividiu o Nobel de Química de 2024 pelo design computacional de proteínas, lidera agora o AI BioDesign, projeto que combina modelos generativos e testes em larga escala para desenhar biomoléculas fora do repertório da evolução.
O Prêmio Nobel de Química de 2024 foi dividido entre David Baker, John Jumper e Demis Hassabis por dois lados do mesmo problema: prever a forma de uma proteína a partir da sua sequência (o trabalho de Jumper e Hassabis com o AlphaFold, no Google DeepMind) e fazer o caminho inverso, desenhar sequências que dobram numa forma desejada (o trabalho de Baker, no Institute for Protein Design da Universidade de Washington). Dois anos depois, Baker deu o passo seguinte: em entrevista à WIRED en Español, ele detalhou o AI↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → BioDesign, projeto que reúne o Allen Institute, a própria UW e o Fred Hutchinson Cancer Center para desenhar moléculas que a evolução nunca produziu, mas que são fisicamente e quimicamente possíveis.
A frase que resume a aposta é do próprio Baker: "a natureza explorou apenas uma fração do que é fisicamente e quimicamente possível". A ideia central do AI BioDesign é usar modelos de IA para mapear esse espaço não explorado e produzir bancos de dados↳Banco de dados134 conteúdosSQL ou NoSQL: eis a questão!!Data · mar 2020Banco de dados: como organizar e dar segurança para milhões de dados de loteriasData · mai 20215 serviços gratuitos na cloud para bancos de dados PostgresData · fev 2025Ver tudo em Data →, modelos e ferramentas que sirvam de "sementes" para remédios, enzimas e materiais que hoje não têm como existir porque nenhum organismo jamais precisou deles: enzimas que quebram plástico no oceano, moléculas para doenças neurodegenerativas, sistemas que puxam minerais críticos de resíduos.
Da predição ao design: por que isso é um salto técnico
Para quem acompanha o campo de perto, a década pós-AlphaFold resolveu um problema de previsão: dada uma sequência de aminoácidos, qual é a estrutura 3D resultante. O trabalho que rendeu o Nobel a Baker ataca o problema oposto, e generativo: dada uma forma ou função desejada, gerar uma sequência de aminoácidos que dobre naquela forma. É o mesmo tipo de inversão que separa um classificador de imagens de um modelo de difusão que gera imagens do zero, e não por acaso o laboratório de Baker publicou o RFdiffusion, um modelo de difusão adaptado para gerar esqueletos de proteínas, hoje código aberto↳Open source71 conteúdosComo o Open Source Está Liberando o Poder da Automação para TodosDev (Back & Front) · out 2025Código aberto: programadores criam software da NASA sem saberDev (Back & Front) · abr 2021N8N: O que é a ferramenta open source que está revolucionando a automação em TI?Dev (Back & Front) · dez 2025Ver tudo em Dev (Back & Front) → e usado por grupos de pesquisa em várias partes do mundo junto com outras ferramentas do mesmo laboratório, como ProteinMPNN e RoseTTAFold.
É esse ferramental generativo que sustenta o AI BioDesign: em vez de vasculhar o catálogo finito de proteínas que a evolução já produziu, os modelos propõem estruturas inéditas dentro do espaço do que é quimicamente viável, e o laboratório testa quais delas realmente funcionam.
Triagem computacional antes de qualquer síntese
A pergunta óbvia para quem constrói sistemas de IA é: como conter o risco de gerar algo perigoso quando o espaço de busca inclui tudo que é quimicamente possível, não só o que existe? A resposta de Baker é operacional, não filosófica: "a vantagem que temos hoje é que o design computacional nos permite avaliar muitos desses riscos antes que uma molécula seja sintetizada. Podemos filtrar designs computacionalmente, testá-los extensivamente em ambientes de laboratório controlados e submetê-los a validação experimental cada vez mais realista antes de considerar qualquer aplicação no mundo real".
Na prática, isso descreve um pipeline com gates parecido com o que qualquer engenheiro de ML reconhece: geração massiva de candidatos por modelo, filtro computacional (previsão de estrutura, estabilidade, interação com sistemas vivos), depois um funil cada vez mais estreito de validação em laboratório fechado antes de qualquer coisa sair do prédio. A diferença é que aqui o "ambiente de produção" é biologia viva, e o custo de um falso positivo que escapa do funil não é um bug, é um risco biológico real.
O modelo ainda não entende o que gera, e Baker admite isso
Um ponto que interessa a quem trabalha com IA aplicada, e não só a biólogos, é a resposta de Baker sobre entendimento mecanístico. Perguntado se a IA poderia eventualmente desenhar moléculas funcionais que os próprios cientistas não entendem plenamente, ele foi direto: "a ciência costuma avançar em estágios, e vemos isso refletido em como o machine learning avançou o design de proteínas. O primeiro passo geralmente é observar que algo funciona, e frequentemente só depois entendemos por quê. Machine learning é muito bom nesse primeiro estágio, ele melhorou muito nossa capacidade de observar padrões que podem ser aproveitados para design biológico". Para Baker, evidência experimental forte já justifica avançar com projetos, mas entendimento mais profundo continua sendo um objetivo importante, não um pré-requisito.
É o mesmo debate que atravessa qualquer sistema de ML em produção: o modelo funciona, mas a explicabilidade vem depois, se vier. A diferença é que, em biologia sintética, o custo de operar um sistema opaco é mais alto do que em recomendação de conteúdo.
Onde entra quem programa, não só quem pipeta
O AI BioDesign não é um laboratório fechado: parte do valor prometido é justamente o banco de dados e as ferramentas abertas que ele deve produzir. O ecossistema em torno do Institute for Protein Design já opera assim há anos, com modelos e pesos publicados em repositórios abertos, notebooks reproduzíveis e artigos com código liberado, o tipo de material que hoje alimenta startups de biotecnologia e grupos acadêmicos de bioinformática também no Brasil, onde a barreira histórica para entrar em design de proteínas era o acesso a cristalografia e ressonância magnética caras, não a disponibilidade de compute. Um time de engenharia que hoje mantém pipelines de MLOps tem, em teoria, boa parte do ferramental conceitual para operar esse tipo de fluxo: geração, triagem, validação, versionamento de modelo. O que muda é o domínio de aplicação e a régua de segurança sobre o que sai do notebook para o mundo físico.
O que fica em aberto: governança para DNA sintético
A parte sem resposta pronta é regulatória. Perguntado sobre limites, Baker defendeu que decisões sejam guiadas por um balanço entre benefício e dano potencial, e propôs algo concreto: monitorar e registrar todo DNA sintético fabricado, guardando a sequência e a identidade de quem a encomendou. É, na prática, uma proposta de sistema de auditoria e rastreabilidade para uma cadeia de suprimentos que hoje é fragmentada entre dezenas de fornecedores de síntese de DNA no mundo, sem um ledger único. Baker compara explicitamente a necessidade a frameworks que já existem para outras tecnologias poderosas, mas reconhece que a governança ainda precisa evoluir junto com a capacidade técnica, não depois dela.
Para quem constrói software, é o tipo de lacuna que eventualmente vira produto: sistemas de rastreamento, verificação e compliance para biologia sintética são, hoje, um problema de engenharia tão em aberto quanto o problema científico que o AI BioDesign tenta resolver.
Fonte: Wired
Este artigo foi escrito por Redação iMasters. Conteúdo produzido por agente de IA da redação iMasters, sob revisão editorial humana. Saiba como produzimos no expediente.
O editor-chefe da redação de agentes. Sem persona pública própria: assina como Redação iMasters. Monta a pauta do dia, distribui o mix entre verticais, revisa tudo que os especialistas escrevem, escreve notícias e compilados de opinião, e sugere taxonomia para revisão humana.
