ERA, a IA que criou 40 métodos de bioinformática melhores que os humanos: como o Google e a Nature transformaram Gemini em cientista computacional

Resumo: Um trabalho publicado na revista Nature apresenta a Empirical Research Assistance (ERA), sistema de IA que combina um modelo de linguagem com busca em árvore para escrever, testar e otimizar código científico. Em avaliação em bioinformática, a ERA descobriu 40 novos métodos para análise de dados de célula única que superam os melhores desenvolvidos por humanos em uma tabela pública. Em epidemiologia, gerou 14 modelos que bateram o ensemble do CDC americano. É o retrato mais concreto até hoje do que se chama de “cientista computacional agêntico” — e reabre a discussão sobre o papel do pesquisador quando a IA passa a produzir contribuições publicáveis.

Como funciona a ERA

A abordagem central é simples de descrever e cara de executar. A ERA recebe uma tarefa científica (por exemplo, “melhore o algoritmo X em métricas Y no conjunto de dados Z”) e passa a explorar variações de código como uma árvore de busca: cada nó é uma versão do programa, cada aresta é uma edição sugerida pelo modelo de linguagem, e cada expansão executa a nova variante para medir a métrica-alvo. Ao contrário de um chat que “sugere código”, a ERA testa cada sugestão empiricamente e usa o resultado para decidir o próximo galho a explorar. O LLM funciona como gerador de hipóteses; a árvore, como mecanismo de seleção; e a execução, como oráculo.

O ciclo é o que humanos fazem manualmente na bancada computacional: escreve, roda, mede, ajusta. A diferença é volume — a ERA cobre milhares de variantes onde um pesquisador cobriria dezenas.

Os resultados

Os números que dão manchete são dois. No benchmark público de análise de células únicas (single-cell), a ERA encontrou 40 métodos novos que superaram o topo do leaderboard — dominado por trabalhos humanos há anos. Em previsão epidemiológica, gerou 14 modelos superiores ao ensemble do CDC e a todos os concorrentes individuais. Também há avanços em séries temporais e classificação genômica, com melhorias consistentes de métrica sem intervenção humana em cada iteração.

O ponto sensível é a interpretação. A ERA não “descobriu biologia”: ela descobriu procedimentos computacionais melhores para tarefas com métricas bem definidas. É análogo ao que o AlphaTensor fez com multiplicação de matrizes — otimização em espaço combinatório de código, guiado por medida quantitativa clara.

Por que importa

Três efeitos importam a curto prazo. Primeiro, tarefas de ciência computacional que hoje consomem semanas de doutorandos podem virar rotina noturna de um cluster — o que acelera a produção acadêmica em áreas com benchmarks consolidados. Segundo, redefine o que significa “contribuição metodológica” em um paper: se a ERA produz variações do método baseline com melhorias consistentes, o mérito passa a ser a formulação do problema e da métrica, não o truque algorítmico. Terceiro, muda a geografia da ciência: laboratórios com acesso a computação escalam mais rápido do que os com acesso apenas a talento humano — o que aumenta o gap entre países.

Status no Brasil

Bioinformática, ecologia computacional e epidemiologia são fortalezas históricas de instituições brasileiras — Fiocruz, USP, UFMG, UFRJ, LNCC, UFRN e várias EMBRAPAs têm grupos maduros. O gargalo não é ideia, é infraestrutura: rodar uma ERA-equivalente exige acesso a modelos de fronteira e a GPU em volume, algo que o LNCC (Santos Dumont), o cluster do INPE e novos centros nacionais de IA começam a oferecer, mas ainda com fila. A ANPD e a LGPD colocam camadas extras quando o dado é genômico ou clínico, o que reforça a importância de instâncias locais de modelos abertos e infra soberana. Um caminho realista: aplicar a lógica da ERA a problemas nacionais (arboviroses, agricultura tropical, biomas brasileiros), onde os benchmarks ainda precisam ser desenhados — e onde a construção da métrica é, ela própria, contribuição científica.

Riscos e limitações

Sobreajuste ao benchmark: métodos que ganham em um leaderboard não necessariamente generalizam para dados fora do escopo — risco clássico do machine learning que a ERA, por design, tende a explorar. Sem entendimento: a IA otimiza métricas, mas não produz teoria. Se o método vencedor não puder ser explicado, corre-se o risco de acumular soluções eficazes e opacas. Custo computacional: executar milhares de variantes é caro; a democratização depende de infra acessível e modelos abertos. Autoria e reprodutibilidade: tabelas de leaderboard precisam declarar quando o resultado foi gerado por IA autônoma; revistas terão de decidir como citar, revisar e avaliar. Segurança em saúde: em bioinformática clínica, otimizar métrica não é sinônimo de segurança do paciente — validação clínica prospectiva permanece indispensável.

Análise SWOT econômica

Cenário de futuro

É provável que, em 12 a 24 meses, dezenas de áreas com benchmarks maduros — visão computacional, bioinformática, modelagem molecular, previsões climáticas, séries financeiras — passem por rodadas de “ERA-fication”, com métodos novos aparecendo mais rápido do que a comunidade consegue revisar. A pressão vai forçar mudanças em revistas e conferências (declaração obrigatória de IA autônoma, novos critérios para autoria, tabelas separadas de human-authored vs. AI-authored), e vai reordenar o incentivo acadêmico para quem sabe formular problemas e métricas com precisão — hoje habilidade escassa e subvalorizada.

Conclusão prática

Para grupos de pesquisa brasileiros, o recado é agir em duas frentes. Primeiro, mapear onde há benchmarks ou métricas claras nas suas áreas — e, onde não há, construí-los; a métrica é o novo pergaminho científico. Segundo, negociar acesso a compute (LNCC, INPE, centros de IA em construção, parcerias com hyperscalers) já pensando em cargas do tipo ERA, que precisam muito de GPU e paralelismo. Quem depender só de modelo comercial paga por chamada vai ficar restrito a fatia mínima do espaço de busca.

Fonte original: Nature — An AI system to help scientists write expert-level empirical software.