Passamos Meses Construindo uma IA que Prevê Materiais Antes de Sintetizá-los — Eis Por Que o Laboratório do Futuro Não Vai Começar com um Béquer

Há um momento ao qual eu sempre volto. Era tarde numa quinta-feira, e eu estava olhando para uma planilha que alguém tinha enviado — um registro de cada composto que uma equipe farmacêutica de médio porte havia sintetizado e testado fisicamente ao longo dos dezoito meses anteriores. Milhares de linhas. Custos de reagentes, horas de síntese, resultados de caracterização. E ao lado de cada linha, uma coluna rotulada como "Resultado". A grande maioria dizia a mesma coisa: Falha.

Não "resultado negativo interessante". Não "beco sem saída informativo". Apenas: falha. O composto não se ligou. O material não era estável. A reação não rendeu. Milhares de experimentos, milhões de dólares, e a equipe estava essencialmente de volta ao ponto de partida — exceto que agora sabiam o que não funcionava. O que já é algo, suponho, se você anotar. A maioria das equipes nem faz isso.

Aquela planilha cristalizou algo em torno do qual eu vinha rondando havia um tempo na Veriprajna. A forma como a maioria dos laboratórios de P&D descobre novos materiais e moléculas é fundamentalmente falha — não porque os cientistas não sejam brilhantes, mas porque o próprio método atingiu um limite que nenhuma quantidade de brilhantismo consegue escalar. Estima-se que o espaço de busca para moléculas semelhantes a fármacos esteja entre 10⁶⁰ e 10¹⁰⁰. O número de átomos no universo observável é de aproximadamente 10⁸⁰. Estamos pedindo a seres humanos que encontrem agulhas em palheiros literalmente maiores que o cosmos, e entregando a eles uma pinça.

Vou contar por que construímos o que construímos, o que erramos pelo caminho, e por que acredito que a era da ciência de tentativa e erro — o que muitas vezes se chama de "abordagem edisoniana" — está chegando ao fim. Não gradualmente. Abruptamente.

Por Que o Método Edison Ainda é o Padrão em P&D?

Thomas Edison testou milhares de filamentos de carbono antes de encontrar um que brilhasse por tempo suficiente para ser útil. Essa história é contada como uma parábola sobre persistência. O que se omite é que até Nikola Tesla, contemporâneo de Edison, apontou que "um pouco de teoria e cálculo" poderia ter poupado 90% do trabalho. O próprio Edison acabou aderindo a métodos mais estruturados. Mas seu legado — a tentativa e erro por força bruta — de alguma forma se tornou a metodologia fundamental da pesquisa farmacêutica e de materiais moderna.

A Triagem de Alto Rendimento, ou HTS, deveria industrializar isso. Automatizar as tentativas. Testar um milhão de compostos em vez de mil. E por um tempo funcionou — ou pelo menos parecia estar funcionando. Mas as taxas de acerto continuavam caindo. Os falsos positivos continuavam subindo. Os compostos que "funcionavam" na triagem se revelavam tóxicos, insolúveis ou impossíveis de fabricar em escala. Uma campanha padrão de HTS pode testar 10⁶ compostos. Mesmo que você escalasse isso para um bilhão — 10⁹ —, teria explorado aproximadamente 0,000000000000000000000000000000000000000000000000001% do espaço químico disponível.

O Método Edison na química moderna é como tentar mapear o Oceano Pacífico mergulhando uma colher de chá na água em intervalos aleatórios.

As consequências financeiras são brutais. O custo de desenvolver um novo medicamento chegou a aproximadamente US$ 2,23 bilhões por ativo em 2024. A taxa interna de retorno da P&D farmacêutica despencou para 1,2% em 2022 antes de se recuperar para 5,9% em 2024 — e essa recuperação foi impulsionada em grande parte por uma única classe de medicamentos (os agonistas de GLP-1), e não por qualquer melhoria sistêmica no funcionamento da descoberta. Esse declínio até tem um nome: a Lei de Eroom. A Lei de Moore soletrada ao contrário. A cada década, a descoberta de medicamentos fica mais lenta e mais cara.

Lembro-me de uma conversa com um cientista de materiais — alguém que respeito profundamente — que me disse, sem rodeios: "Sabemos que estamos desperdiçando a maior parte do nosso orçamento. Mas não sabemos quais experimentos pular." Aquela frase me assombrou. Porque a resposta honesta é: você pode saber. Você só precisa de um tipo diferente de instrumento. Não uma pipeta melhor. Um mapa melhor.

A Noite em que a Simulação Discordou do Laboratório

Quando minha equipe começou a construir modelos informados pela física para previsão de materiais, tivemos uma experiência humilhante. Havíamos treinado um modelo para prever a estabilidade de uma classe de compostos inorgânicos. O modelo sinalizou uma composição específica como termodinamicamente instável — essencialmente, disse "não se dê ao trabalho de sintetizar isto". Mas a literatura sugeria o contrário. Um artigo publicado afirmava que essa composição era promissora.

Discutimos sobre isso por dois dias. Metade da equipe queria confiar no modelo. A outra metade dizia que estávamos sendo arrogantes — quem éramos nós para contrariar resultados experimentais publicados? Acabamos nos aprofundando no artigo e descobrimos que o resultado "promissor" se baseava em uma fase metaestável que se degradava em poucas horas sob condições reais de operação. O modelo estava certo. O artigo também estava tecnicamente certo — o material existia —, mas era inútil para qualquer aplicação prática.

Foi nesse momento que entendi a diferença entre Aprendizado de Máquina Informado pela Física e o tipo de IA que domina as manchetes. A maior parte da IA no mercado hoje — as coisas construídas sobre grandes modelos de linguagem — aprende com correlações nos dados. É reconhecimento de padrões em escala. E é extraordinária para muitas tarefas. Mas moléculas não são frases. São grafos tridimensionais com restrições geométricas, orbitais eletrônicos, quiralidade e limites termodinâmicos que não se importam com quais padrões o GPT-4 viu em seu corpus de treinamento.

O ML Informado pela Física embute as leis reais da física — conservação de massa, equações termodinâmicas, restrições da mecânica quântica — diretamente na arquitetura do modelo. Em vez de precisar de milhões de pontos de dados para aprender que a energia é conservada, o modelo sabe isso desde o início. Isso significa três coisas que importam enormemente na prática:

Ele precisa de muito menos dados de treinamento. Consegue extrapolar além de sua distribuição de treinamento sem gerar resultados fisicamente impossíveis. E não alucina moléculas que violam a química básica.

Escrevi sobre essa distinção com muito mais profundidade em a versão interativa da nossa pesquisa, mas a percepção central é simples: se a sua IA pode propor uma molécula que viola a conservação de massa, ela não está fazendo ciência. Está fazendo autocompletar.

O Que Acontece Quando Você Fecha o Ciclo?

É aqui que as coisas ficam interessantes — e onde gastamos a maior parte do nosso esforço de engenharia. Prever materiais computacionalmente é o primeiro passo. Mas a previsão por si só ainda é uma malha aberta. Você simula, obtém um resultado, um humano o interpreta, outro humano projeta o próximo experimento, alguém reserva tempo no sintetizador, e semanas depois você tem um único ponto de dados. O gargalo não é a IA. É o humano no meio.

A verdadeira transformação acontece quando você fecha o ciclo: a IA prevê, um robô sintetiza, os sensores caracterizam o resultado, os dados retroalimentam o modelo, e a IA seleciona o próximo experimento. Nenhum humano no meio. Projetar-Fazer-Testar-Analisar, funcionando continuamente.

O A-Lab do Lawrence Berkeley National Laboratory demonstrou isso em escala. Seu sistema autônomo sintetizou 41 novos compostos inorgânicos em 17 dias — um rendimento que levaria meses para pesquisadores humanos. Quando uma síntese falhava, a IA analisava o padrão de difração de raios X, ajustava as proporções de precursores e os perfis de aquecimento, e tentava novamente. Uma taxa de sucesso de 71% para novos materiais, alcançada por um sistema que corrige seus próprios erros em tempo real.

Mas o motor matemático por trás disso — a parte que faz tudo funcionar — é algo chamado Aprendizado Ativo com Otimização Bayesiana. E vale a pena entendê-lo, porque é a razão pela qual os laboratórios de malha fechada não são apenas mais rápidos que os laboratórios conduzidos por humanos, mas fundamentalmente mais eficientes.

Por Que a Otimização Bayesiana Supera a Triagem Aleatória?

A triagem tradicional é aleatória. Você escolhe compostos de uma biblioteca, testa-os e torce. A Otimização Bayesiana faz algo radicalmente diferente: constrói um modelo probabilístico de todo o espaço de busca, incluindo o que ele não sabe, e então seleciona estrategicamente o experimento que mais lhe ensinará.

O modelo prevê duas coisas para cada ponto não testado: um valor esperado (quão bom esse material pode ser) e uma incerteza (quão confiante o modelo está nessa previsão). Então, uma função de aquisição — pense nela como a estratégia de tomada de decisão da IA — equilibra a exploração (investigar regiões incertas) contra o aproveitamento (refinar áreas que parecem promissoras).

É aqui que fica elegante. O potencial de aprendizado de máquina ANI-1x alcançou precisão em nível de DFT — isto é, Teoria do Funcional da Densidade, o padrão-ouro da química computacional — usando apenas 10% dos dados que a amostragem aleatória ingênua exigiria. E a Otimização Bayesiana Informada por Custo pode reduzir os custos de reagentes em até 90% ao levar em conta o preço de cada experimento ao decidir o que testar a seguir. Se dois experimentos oferecem informações semelhantes, mas um custa US$ 5.000 em reagentes e o outro custa US$ 50, o sistema escolhe o barato.

O Aprendizado Ativo não apenas encontra respostas mais rápido. Ele faz perguntas melhores.

Uma coisa que consistentemente surpreende as pessoas: nesse framework, os experimentos que falham estão entre os dados mais valiosos que você pode gerar. No modelo edisoniano, um resultado negativo acaba enterrado em um caderno de laboratório. No Aprendizado Ativo, cada falha aprimora a compreensão do modelo sobre onde estão os limites. Ele mapeia os becos sem saída da química — permanentemente — para que a organização nunca mais desperdice recursos nesses caminhos. Esse conhecimento topológico do cenário de falhas é propriedade intelectual que se acumula com o tempo.

O Problema do "Basta Usar o GPT"

Preciso abordar algo diretamente, porque ouço isso o tempo todo. Investidores, potenciais clientes, até alguns cientistas dizem: "Por que não usar simplesmente o GPT-4 para isso? Ele sabe química."

Não sabe. Não do jeito que importa.

Os grandes modelos de linguagem representam moléculas como cadeias de texto — tipicamente a notação SMILES, que é uma codificação linear de uma estrutura tridimensional. Isso é como descrever um prédio lendo seu endereço em voz alta e esperar que alguém entenda a planta baixa. Os LLMs são "sensíveis à permutação" (a ordem dos caracteres importa), enquanto as moléculas são invariantes à permutação (a ordem em que você lista os átomos é irrelevante). Os benchmarks mostram consistentemente que as Redes Neurais de Grafos, que modelam moléculas como grafos 3D reais com nós e arestas, superam os LLMs em tarefas de previsão de propriedades que envolvem estrutura geométrica.

A arquitetura certa — aquela que defendemos e construímos — é híbrida. Os LLMs são orquestradores brilhantes. Eles conseguem analisar a literatura científica, extrair receitas de síntese, gerar protocolos experimentais e raciocinar sobre estratégia de alto nível. Mas para o trabalho pesado de design molecular, análise de estabilidade e previsão de propriedades, você precisa de Redes Neurais de Grafos restringidas pela física. O LLM é o gerente de projeto. A GNN é o engenheiro. Você precisa de ambos, e precisa saber em qual deles confiar para cada tarefa.

Muitas ofertas atuais de IA na ciência são wrappers em torno de APIs públicas de LLM. Um wrapper não consegue impor a conservação de massa. Não consegue navegar por um espaço de busca de 10¹⁰⁰ com rigor bayesiano. Não consegue integrar-se ao hardware robótico que fecha o ciclo.

Para o detalhamento técnico completo dessas decisões de arquitetura — incluindo como a otimização multifidelidade funde dados baratos de simulação com resultados experimentais caros — veja nosso artigo de pesquisa detalhado.

O Encanamento de que Ninguém Fala

Há um segredo sujo na pesquisa de laboratórios autônomos: a IA muitas vezes é a parte fácil. A parte difícil é fazer o espectrômetro conversar com o manipulador de líquidos, que conversa com a chapa de aquecimento, que conversa com a IA. Instrumentos de laboratório de diferentes fabricantes falam línguas proprietárias diferentes. Sem uma camada de tradução universal, seu laboratório autônomo é um cérebro num pote.

É por isso que o padrão SiLA 2 — Standardization in Lab Automation, ou Padronização em Automação de Laboratório — importa tanto, e por que gastamos uma quantidade nada glamorosa, mas crítica, de tempo em middleware. O SiLA 2 trata cada instrumento como um microsserviço. A IA envia um comando de alto nível ("Dispense 5 ml") sem precisar conhecer o protocolo de porta serial do braço robótico específico. Ele roda em protocolos web modernos, suporta conectividade em nuvem e — crucialmente — consegue encapsular instrumentos legados. Um HPLC de vinte anos pode se tornar parte de uma malha autônoma.

Antes de qualquer robô físico se mover, simulamos o experimento inteiro em um Gêmeo Digital — uma réplica virtual do laboratório que valida temporização, trajetórias de colisão e logística. Quando o experimento real roda, comparamos os dados dos sensores com as previsões do gêmeo para detectar anomalias: uma pipeta entupida, um sensor de temperatura em deriva. O gêmeo é a rede de segurança que torna a autonomia confiável.

Vou ser honesto: esta é a parte do trabalho sobre a qual ninguém escreve comunicados de imprensa entusiasmados. Mas é a parte que determina se um laboratório de malha fechada de fato funciona em produção ou apenas funciona em uma demonstração.

Os Números que Mudaram Minha Opinião

Entrei neste trabalho como um cético em relação ao hype. A IA na descoberta de medicamentos está "a cinco anos de distância" há vinte anos. O que mudou minha opinião não foi a teoria. Foram resultados específicos.

A Exscientia levou pequenas moléculas projetadas por IA a ensaios clínicos de Fase I em cerca de 12 meses, contra uma média do setor de 4 a 5 anos. A Insilico Medicine levou um candidato para fibrose da descoberta do alvo até candidato pré-clínico em menos de 18 meses, por uma fração do custo típico. Os 41 compostos do A-Lab em 17 dias. Os modelos preditivos de toxicidade do Broad Institute, que filtram compostos perigosos antes da síntese, economizando milhões em custos de falhas posteriores.

Isso não são projeções. São resultados. E compartilham uma arquitetura comum: simulação antes da síntese, modelos informados pela física, malhas de retroalimentação fechadas e captura sistemática de dados negativos.

Às vezes me perguntam se isso elimina totalmente a necessidade de laboratórios úmidos. Não elimina. O laboratório úmido ainda é onde mora a verdade — onde as previsões do modelo encontram a realidade. O que muda é a proporção. Em vez de rodar dez mil experimentos para encontrar um acerto, você roda cinquenta. O laboratório úmido se torna um instrumento de validação, não um mecanismo de busca.

Outros se preocupam com a substituição de empregos — isso vai substituir os cientistas? Na minha experiência, acontece o oposto. Os cientistas com quem trabalhei que adotam essas ferramentas não se tornam menos importantes. Tornam-se mais estratégicos. Passam o tempo com os problemas que exigem julgamento humano — interpretar resultados inesperados, projetar novos paradigmas experimentais, fazer perguntas que a IA não foi treinada para fazer — em vez de pipetar seu caminho por uma biblioteca de compostos que já suspeitam que não vão funcionar.

A Arte Virou Engenharia

Penso muito naquela planilha. Todas aquelas linhas de "Falha.". Cada uma representava a hipótese de alguém, a tarde de alguém, o orçamento de alguém. No modelo edisoniano, essas falhas eram o custo de fazer negócios — inevitáveis, esperadas e, em grande parte, invisíveis na contabilidade final.

No modelo que estamos construindo, cada uma dessas falhas teria sido prevista. Não todas — não estou alegando onisciência. Mas o suficiente delas para que a planilha fosse uma fração de seu comprimento, e a coluna "Resultado" tivesse uma aparência bem diferente.

O espaço de busca para novas moléculas e materiais é incompreensivelmente vasto. Nenhuma quantidade de intuição humana, nenhuma frota de manipuladores de líquidos, nenhuma campanha de HTS de um bilhão de dólares consegue explorá-lo de forma significativa apenas por experimentação física. A matemática simplesmente não permite. O que a matemática de fato permite é a navegação inteligente — usar modelos restringidos pela física para simular antes de sintetizar, a otimização bayesiana para fazer as perguntas certas na ordem certa, e a automação robótica para fechar o ciclo entre previsão e realidade.

A era edisoniana produziu coisas extraordinárias. Mas foi uma metodologia nascida de uma época em que a teoria não conseguia acompanhar o experimento. Não vivemos mais naquela época. A teoria chegou. O poder computacional chegou. A robótica chegou. A única coisa que resta é a disposição institucional de parar de tratar a P&D como uma arte praticada por indivíduos talentosos e começar a tratá-la como uma disciplina de engenharia movida por sistemas determinísticos.

Não tente e verifique. Simule e selecione.

Isso não é um slogan. É um imperativo econômico. Cada material testado fisicamente que poderia ter sido descartado computacionalmente é dinheiro jogado no fogo. E as organizações que entenderem isso primeiro não apenas se moverão mais rápido — elas tornarão a antiga forma de trabalhar economicamente inviável para todos os outros.