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

Forças

  • Combina LLM com execução real e busca em árvore
  • Resultados verificáveis em benchmarks públicos
  • 40 métodos novos em single-cell e 14 em epidemia
  • Acelera drasticamente ciclos de iteração

Fraquezas

  • Otimiza métrica, não gera teoria
  • Alto custo de compute em cada rodada
  • Risco de sobreajuste ao benchmark
  • Difícil interpretar métodos vencedores

Oportunidades

  • Aplicar a benchmarks nacionais (biomas, agricultura, arboviroses)
  • Encurtar ciclos de pesquisa em áreas com métrica clara
  • Redirecionar tempo humano para teoria e desenho experimental
  • Democratizar via modelos abertos e infra pública

Ameaças

  • Concentração de descoberta em quem tem GPU
  • Publicações inundadas por variações sintéticas
  • Ainda sem padrão de autoria e revisão para IA
  • Validação clínica pode ficar para trás dos ganhos in silico

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.

Ninja

Na cena de cybersecurity a mais de 25 anos, Ninja trabalha como evangelizador de segurança da informação no Brasil. Preocupado com a conscientização de segurança cibernética, a ideia inicial é conseguir expor um pouco para o publico Brasileiro do que acontece no mundo.

Recent Posts

Google mede contextualidade quântica em até 105 qubits no Willow

Publicado na Science, o experimento ganha o jogo do quadrado mágico em 98,30% das rodadas,…

10 horas ago

BlockJack desvia o cache KV do vLLM entre inquilinos diferentes

Preprint de seis universidades mostra que corromper um único registro da tabela de blocos faz…

10 horas ago

SCKit abusa do ScreenConnect para atacar sessões de técnicos

A Microsoft confirmou a campanha relatada pela ConnectWise e detalhou um kit que inverte o…

10 horas ago

F5 libera hotfixes de emergência para cinco falhas críticas no BIG-IP

Os avisos publicados em 18 de novembro atribuem CVSS 4.0 de 9,3 a cinco estouros…

10 horas ago

Ataque recupera texto exato no aprendizado federado

Preprint do BITS Pilani Goa mostra um cliente comum reconstruindo frases exatas de outros participantes…

1 dia ago

Agile Deliberation: Google treina IA em conceitos subjetivos

Framework do Google Research trata a construção de classificadores subjetivos como conversa iterativa: delimita subconceitos…

1 dia ago