Em um avanço significativo para a pesquisa médica, cientistas do Google DeepMind e da Universidade de Yale usaram uma nova IA para descobrir um possível caminho para a terapia do câncer. O modelo de 27 bilhões de parâmetros, chamado C2S-Scale 27B, foi revelado em 15 de outubro de 2025.
Ele analisou dados de células únicas para formar uma nova hipótese: um medicamento específico poderia amplificar a capacidade do sistema imunológico de atingir tumores que de outra forma seriam “invisíveis”. Os pesquisadores então validaram com sucesso essa previsão gerada por IA em experimentos de laboratório.
Esse sucesso marca um momento crucial para “IA para Ciência”. Mostra que grandes modelos podem não apenas processar informações, mas também gerar ideias originais e testáveis. Isso poderia acelerar o desenvolvimento de novos tratamentos médicos e mudar a forma como a pesquisa biológica é conduzida.
Da tela virtual à descoberta validada
Um desafio central na imunoterapia contra o câncer é que muitos tumores são “frios” – efetivamente invisíveis para o sistema imunológico do corpo. Uma estratégia chave é torná-los “quentes”, forçando-os a exibir sinais de desencadeamento imunológico através de um processo chamado apresentação de antígeno.
Para encontrar uma maneira de fazer isso, os pesquisadores encarregaram o C2S-Scale 27B de uma missão altamente específica. Eles projetaram uma “tela virtual de duplo contexto” para encontrar um medicamento que atue como um amplificador condicional, simulando os efeitos de mais de 4.000 medicamentos.
O A abordagem de “contexto duplo” foi fundamental. O modelo precisava encontrar um medicamento que fosse eficaz apenas em um ambiente relevante para o paciente com sinais imunológicos, mas ineficaz em um contexto laboratorial isolado. Essa precisão exigia um nível sofisticado de raciocínio condicional.
O principal candidato da IA era o silmitasertib (CX-4945). O modelo previu que aumentaria fortemente a apresentação do antígeno no contexto alvo, mas teria pouco efeito de outra forma. Esta era uma hipótese nova, uma vez que o medicamento não tinha qualquer ligação previamente reportada a este mecanismo específico.
Para testar a previsão, a equipa levou a hipótese do computador para a bancada do laboratório. Eles usaram modelos de células neuroendócrinas humanas – um tipo de célula que a IA nunca havia encontrado durante seu treinamento. Os resultados foram uma confirmação impressionante da hipótese do modelo.
Esta etapa, passando de uma previsão computacional (in silico) para um teste de laboratório (in vitro), é o padrão ouro para validar hipóteses biológicas baseadas em IA. Os experimentos mostraram que, embora a droga ou o interferon em dose baixa sozinhos tivessem pouco efeito, sua combinação produzia uma amplificação sinérgica acentuada.
Leis de escala e o alvorecer da biologia generativa
A conquista do Google fornece evidências poderosas para a teoria das “leis de escala” na biologia. O conceito, que alimentou a recente explosão de grandes modelos de linguagem, postula que à medida que os modelos ficam maiores, eles não apenas melhoram – eles podem adquirir capacidades emergentes inteiramente novas.
Capacidades emergentes são habilidades que não são explicitamente programadas, mas aparecem à medida que um modelo cresce em tamanho e complexidade. Para o C2S-Scale, isso significava que ele poderia realizar o raciocínio condicional necessário para entender a lógica “se-então” do contexto imunológico – uma tarefa que escapou de modelos menores.
O modelo C2S-Scale, construído na arquitetura aberta Gemma 2 do Google, demonstrou isso gerando uma ideia científica testável. Como explicou Shekoofeh Azizi, do Google DeepMind, “este resultado também fornece um modelo para um novo tipo de descoberta biológica”.
Isso representa uma mudança fundamental da IA como uma mera ferramenta de análise de dados para um parceiro criativo na descoberta científica. O sucesso do modelo sugere um futuro onde a IA poderá executar enormes ecrãs virtuais para descobrir mecanismos biológicos complexos e dependentes do contexto.
A nova abordagem poderá encurtar drasticamente o caminho desde a investigação inicial até pistas terapêuticas viáveis. A equipe afirmou que isso prova que modelos maiores “podem criar modelos preditivos de comportamento celular que são poderosos o suficiente para… gerar hipóteses biologicamente fundamentadas”.
Uma nova ferramenta no ecossistema aberto de ‘IA para a ciência’
O projeto C2S-Scale 27B faz parte de uma tendência mais ampla da indústria para a criação de IA especializada para domínios científicos. O Google vem construindo ativamente seu “Gemmaverse” com modelos como o TxGemma para descoberta de medicamentos. Isto reflete uma estratégia focada em aplicações direcionadas e de alto impacto.
A Microsoft está buscando uma iniciativa semelhante de “IA para Ciência”, lançando ferramentas como o BiomedParse para análise de imagens médicas e um modelo de detecção de anomalias para detectar câncer de mama. Os esforços paralelos ressaltam um pivô estratégico em todo o setor.
Mantendo o espírito da ciência aberta, o Google e Yale disponibilizaram publicamente o modelo C2S-Scale 27B, seu código subjacente e o documento de pesquisa em plataformas como Abraçando o rosto e GitHub. Isto permite que a comunidade global de investigação desenvolva o seu trabalho.
Esta abordagem aberta é crucial para a validação científica. Ao lançar as ferramentas, o Google e Yale convidam ao escrutínio e à colaboração, permitindo que outros investigadores repliquem as suas descobertas e explorem novas hipóteses. Promove um ambiente de investigação mais transparente.
Embora esta descoberta seja um marco histórico, o caminho para a aplicação clínica é longo. A IA na medicina enfrenta obstáculos significativos, desde garantir a confiabilidade no mundo real até navegar pela complexa ética da privacidade dos dados dos pacientes, uma preocupação destacada por outras IAs de saúde em grande escala.
Como observou o professor Moritz Gerstung, da DKFZ, sobre um modelo preditivo semelhante, “modelos generativos como o nosso poderiam um dia ajudar a personalizar o atendimento e antecipar as necessidades de saúde em grande escala”. Este trabalho, ao passar da pura previsão para a descoberta validada, traz essa visão um passo crucial para mais perto da realidade.
