Google DeepMind Co-Scientist chega à Nature e ao Gemini for Science: caso C2S-Scale valida hipótese oncológica com Yale

Resumo: O Co-Scientist, sistema multi-agente do Google DeepMind para geração e teste de hipóteses científicas, sai da fase de demo e ganha publicação formal na Nature. Junto com o paper, o DeepMind abriu acesso via Gemini for Science a pesquisadores individuais e apresentou validações de laboratório reais — incluindo o modelo C2S-Scale 27B, cuja hipótese sobre silmitasertib e tumores frios foi confirmada em bancada em parceria com a Universidade Yale.

O que é o Co-Scientist

O Co-Scientist é uma orquestração de agentes de linguagem baseada no Gemini, projetada para atuar como parceiro de pesquisa. Em vez de responder a perguntas isoladas, o sistema roda um pipeline em quatro etapas: um agente gerador propõe hipóteses a partir da literatura e de bases estruturadas; um agente reflexivo critica e refina; um agente ranqueador ordena as hipóteses por plausibilidade e novidade; e um agente evolucionário aplica variação e cruzamento entre ideias promissoras. O ciclo se repete até um critério de parada, e o resultado é uma lista curta de hipóteses testáveis com trilha de evidências.

O DeepMind vinha testando o pipeline internamente desde início de 2025, mas o salto de agora é duplo: (1) o método passou por peer review em uma das revistas mais rigorosas do mundo; (2) começa a ser distribuído para pesquisadores individuais, não só laboratórios parceiros da Alphabet.

C2S-Scale 27B: prova real em biologia

A validação de bancada mais citada vem do modelo C2S-Scale 27B, treinado em dados de single-cell, desenvolvido em conjunto com a Yale. O modelo gerou uma hipótese específica: que silmitasertib, inibidor de CK2 já em ensaios clínicos oncológicos, tornaria “tumores frios” (imunologicamente invisíveis) reconhecíveis pelo sistema imune. A hipótese não estava explicitamente descrita na literatura pré-existente. Levada ao laboratório, foi confirmada em modelo experimental — um marco para a tese de que LLMs podem gerar descoberta científica genuína, não apenas recuperar conhecimento.

Por que importa — e o status no Brasil

O Co-Scientist é um sinal claro de que a próxima onda de vantagem competitiva em pesquisa vai depender menos de horas-pesquisador e mais de throughput de hipóteses testadas por semana. Grupos com acesso a Gemini for Science + estrutura de bancada rápida vão explorar mais espaço de solução do que grupos organizados pelo modelo tradicional. A CAPES, o CNPq e a FAPESP acompanham o movimento e há discussão interna, ainda embrionária, sobre credenciar Co-Scientist para uso em teses de doutorado em áreas biomédicas.

No setor privado brasileiro, o efeito imediato deve aparecer em três frentes: (1) empresas farmacêuticas nacionais (EMS, Aché, Eurofarma) devem testar o Co-Scientist para triagem de moléculas me-too e reposicionamento; (2) agrotech (Embrapa, JBS, universidades federais) tem uma oportunidade rara em melhoramento genético e desenho de compostos; (3) grupos de bioinformática hospitalar (Einstein, Sírio-Libanês, Oswaldo Cruz) podem incorporar o Co-Scientist em pipelines de biomarcadores.

Riscos e limitações

Três limitações são reconhecidas pelo próprio time do DeepMind. Primeiro, o Co-Scientist gera muitas hipóteses ruins junto com as boas — o filtro humano continua obrigatório. Segundo, o custo computacional por ciclo completo (gerador → reflexivo → ranqueador → evolucionário) é alto: rodadas típicas consomem centenas de milhares de tokens Gemini. Terceiro, existe risco de viés de literatura: se a base indexada é dominada por artigos em inglês e trabalho ocidental, o sistema herda o viés, o que afeta pesquisas sobre doenças tropicais, população latino-americana e sistemas biológicos locais.

Há ainda uma preocupação metodológica: como distinguir hipóteses “novas” de reformulações elegantes de literatura obscura? O paper publicado propõe critérios formais, mas revisores externos alertam para o risco de “descobertas” já publicadas em teses de mestrado ou preprints pouco citados.

Cenário: os próximos 12 meses

Três dinâmicas convergem. Primeiro, o Gemini for Science deve receber camadas específicas por domínio — química medicinal, imunologia, ciência de materiais e ciências climáticas são apostas naturais. Segundo, a Anthropic acelera o lançamento do Claude Science (já anunciado em julho) para não perder terreno, especialmente em biologia computacional. Terceiro, a OpenAI deve responder com uma variante orientada a pesquisa do GPT-5.6 Sol; sinais internos apontam para lançamento no Q3.

Para o Brasil, o principal marcador em 12 meses será se universidades federais conseguirão firmar contratos institucionais de acesso, algo comum em ferramentas de literatura (Web of Science, Scopus) mas ainda raro em IA generativa. A FAPESP tem se movimentado nessa direção com editais experimentais.

Conclusão prática

Para pesquisadores individuais, três ações valem hoje. Primeiro, entre na lista de acesso do Gemini for Science — a fila cresce rápido. Segundo, comece a documentar seu fluxo típico de geração de hipótese: quais bases você consulta, quais critérios usa para descartar caminhos, quanto tempo cada rodada leva. Isso é o que vai permitir avaliar honestamente se o Co-Scientist agrega. Terceiro, mantenha rigor experimental: uma hipótese gerada por IA vale exatamente o mesmo que uma hipótese gerada por leitura — só o experimento decide.

Para diretores de P&D em farma, agrotech e materiais no Brasil, vale iniciar uma prova de conceito em 90 dias com um problema de reposicionamento — casos onde uma hipótese confirmada gera valor rápido. E vale contratar consultoria em prompt engineering científico: o Co-Scientist premia perguntas bem formuladas, e mal-formuladas geram viés que passa despercebido.

Fonte original: Labcritics — Google DeepMind’s Co-Scientist Graduates to Nature Paper; Google DeepMind — Publications.