A inteligência artificial (IA) para a ciência está transformando a descoberta científica de maneiras fundamentais. A capacidade de grandes modelos de linguagem (LLMs), redes neurais, IA generativa e aprendizado de máquina de analisar grandes conjuntos de dados está tornando possível avaliar mais informações do que um pesquisador humano sozinho poderia — e em prazos cada vez mais curtos. À medida que a evolução da tecnologia impulsionada por IA abre novas possibilidades em campos que vão desde a medicina personalizada até a petroquímica, aqui estão alguns exemplos recentes que demonstram como a IA está tendo impactos significativos na descoberta científica.
IA generativa que possibilita o desenvolvimento de materiais inovadores com base nas propriedades desejadas
Projetar materiais com atributos específicos pode ser um processo demorado que exige que especialistas examinem manualmente listas extensas de candidatos e utilizem experimentação por tentativa e erro. A IA generativa está possibilitando uma mudança de paradigma na ciência dos materiais, auxiliando os pesquisadores a avaliar muitos mais candidatos, prevendo as propriedades das substâncias a partir dos princípios fundamentais e fazendo a triagem de muito mais materiais de forma muito mais rápida.
A IA generativa permite que os pesquisadores comecem com um objetivo final em mente, em vez de iterar experimentos com materiais existentes. Isso não apenas economiza tempo, mas, ao explorar combinações não convencionais para gerar rapidamente milhares ou até milhões de compostos hipotéticos, os pesquisadores podem usar a IA para aumentar o potencial de inovação. Por exemplo, vários novos modelos de IA generativa surgiram nos últimos anos com o objetivo de otimizar o processo de projeto de materiais:
- O MatterGen da Microsoft Research utiliza um modelo de difusão como base para a geração de materiais.
- O MatAgent aproveita LLMs aprimorados com uma base de conhecimento de materiais para propor uma nova composição, um estimador de estrutura de modelo de difusão para determinar a estrutura cristalina com base na composição proposta e um avaliador de propriedades baseado em rede neural gráfica (GNN) para prever as propriedades dessa estrutura cristalina.
- A IBM Research também lançou um conjunto de modelos usando uma abordagem de mistura de especialistas, que se mostrou promissora no projeto de substitutos para PFAS.
E a Meta lançou recentemente o Open Molecules 2025, um conjunto de dados para o avanço da descoberta molecular, e o Universal Model for Atoms (UMA).
O aprendizado de máquina também tem se mostrado muito eficaz na previsão das propriedades dos materiais candidatos. A Microsoft desenvolveu o MatterSim, um complemento do MatterGen, que é um modelo de aprendizado profundo treinado em dados que combinam aprendizado ativo, modelos generativos e simulações de dinâmica molecular. O Google também lançou uma ferramenta para descoberta de materiais chamada GNoME, que foi descrita como o "AlphaFold para a descoberta de materiais". Usando o DeepMind, os pesquisadores reduziram uma lista de 2,2 milhões de materiais para 381.000 e, então, usaram o GNoME para prever quais seriam os mais estáveis, resultando em 528 potenciais condutores de íons de lítio que poderiam ser usados em baterias.
IA para a ciência impulsionando o avanço da medicina de precisão
A modelagem genética impulsionada por IA agora é capaz de analisar e interpretar vastas quantidades de dados genéticos, epigenéticos e de bioinformática, auxiliando os pesquisadores a compreender as variações genéticas e suas implicações. Esta abordagem utiliza algoritmos de aprendizado de máquina e outras ferramentas de IA para identificar padrões e correlações nas informações genéticas, a fim de adaptar medidas preventivas, tratamentos e medicamentos a cada indivíduo. Os objetivos são capacitar a intervenção precoce, minimizar os efeitos colaterais e reduzir custos, tudo isso com o objetivo de criar programas de atendimento personalizados adaptados às necessidades de cada paciente.
A aplicação da IA à modelagem genética fez progressos significativos nas seguintes áreas:
- Integração e análise de dados: modelos de IA processam grandes volumes de dados genéticos, incluindo sequenciamento de DNA (por exemplo, sequência completa de exoma/genoma), dados de transcriptoma, proteoma e metaboloma, para revelar insights que algoritmos tradicionais podem não detectar. Redes neurais convolucionais (CNNs) e redes neurais recorrentes (RNNs) identificam associações complexas entre biomarcadores, risco de doenças e resposta a medicamentos. Esses modelos podem capturar padrões complexos nos dados genômicos que os métodos estatísticos tradicionais podem deixar passar, resultando em previsões mais precisas da suscetibilidade a doenças e dos resultados dos tratamentos.
- Análise preditiva: a IA está sendo aplicada para prever a probabilidade de desenvolver certas doenças com base no perfil genético de uma pessoa, no histórico familiar e até nas anotações dos médicos. Essa abordagem utiliza algoritmos de aprendizado de máquina e informática clínica para analisar dados genéticos e padrões familiares complexos, oferecendo insights sobre medidas preventivas e planejamento de tratamentos personalizados.
- Planos de tratamento personalizados: a IA apoia o desenvolvimento de terapias de precisão baseadas no genoma e epigenoma únicos de cada indivíduo. Os modelos de IA analisam e identificam variações e mutações específicas que podem influenciar o risco de doenças e as respostas aos tratamentos. As soluções de IA também podem examinar modificações epigenéticas, como a metilação do DNA e as modificações da histona, para compreender como os fatores ambientais e as escolhas de estilo de vida afetam a expressão genética.
- Integração de dados multiômicos: utilizando a capacidade da IA de relacionar dados genômicos, transcriptômicos, proteômicos e metabolômicos, os pesquisadores podem criar modelos mais abrangentes de sistemas biológicos. Essa abordagem holística permite uma compreensão mais profunda da complexa interação entre fatores genéticos, fatores não genéticos e influências ambientais no desenvolvimento e na progressão de doenças.
Soluções baseadas em IA podem analisar grandes quantidades de dados para ajudar a desenvolver diagnósticos e tratamentos que considerem a variedade de fatores em jogo para cada paciente. Quer seja para se aproximar de um modelo omniômico do perfil de saúde de um paciente ou para lidar com a complexidade computacional dos dados genéticos e epigenéticos, a IA promete ser uma força motriz no desenvolvimento da medicina de precisão.
Algoritmos de IA que melhoram a eficiência da captura e sequestro de carbono
Mesmo que todas as emissões de dióxido de carbono fossem interrompidas hoje, o CO2 já presente na atmosfera continuaria a reter calor e impulsionar o aquecimento global. Como observou o Painel Intergovernamental sobre Mudanças Climáticas (IPCC), embora a captura e remoção de CO2 não substituam a redução de emissões, será necessário reduzir as emissões de gases de efeito estufa para manter o aquecimento em 2 °C.
A IA para a ciência está desempenhando um papel cada vez mais importante em várias abordagens de captura de CO2, incluindo captura e sequestro de carbono (CCS) e intemperismo de rochas aprimorado (ERW).
- Captura e sequestro de carbono (CCS): os algoritmos de IA estão otimizando os sistemas de captura de carbono ao analisar dados operacionais para aumentar a eficiência. Por exemplo, algoritmos de aprendizado por reforço foram usados para otimização de processos de remoção de CO2 de gases de combustão industrial, minimizando a energia operacional necessária. Os resultados indicam que modelos e algoritmos preditivos podem reduzir os custos de energia em mais de 70% dos casos. O aprendizado de máquina também pode identificar materiais porosos para adsorção mais rapidamente do que os métodos tradicionais. O Microsoft MOFDiff, um modelo de difusão de granulação grossa, gera estruturas de estruturas metalorgânicas (MOFs), que são altamente eficazes na captura de carbono.
- Intemperismo de rochas aprimorado (ERW): o ERW remove CO2 da atmosfera ao acelerar os processos geológicos normais. Ao adicionar uma fina camada de rochas de silicato ou carbonato trituradas ao solo, como em campos agrícolas, os processos de intemperismo químico na presença de água da chuva convertem o CO2 atmosférico em íons de bicarbonato. Soluções impulsionadas por IA podem apoiar os esforços de ERW ao identificar locais-alvo e condições do solo, além de executar os modelos preditivos necessários para determinar a eficácia do projeto.
Embora a IA tenha muitas aplicações em atividades de captura de carbono, é importante notar que as emissões associadas à execução da IA também devem ser consideradas. Caso contrário, elas contribuirão para o aquecimento global em vez de mitigá-lo.
Tornando as operações petroquímicas mais seguras e mais eficientes com gêmeos digitais
“Criação de gêmeos digitais” é uma tecnologia baseada em IA usada para criar réplicas virtuais de alta fidelidade de espaços físicos para analisar dados em tempo real e prever resultados No setor petroquímico, essas réplicas permitem a simulação, análise e otimização de processos químicos complexos. Ao incorporar dados operacionais detalhados e cinética de reações, a criação de gêmeos digitais fornece insights sobre os sistemas de unidades de fabricação sob condições variadas.
O software de gêmeo digital amadureceu significativamente nos últimos anos, com muitos setores aproveitando as capacidades preditivas que essas simulações podem oferecer. A implementação bem-sucedida de gêmeos digitais na fabricação petroquímica depende de várias tecnologias críticas:
- Plataformas de simulação de alta fidelidade: ferramentas de software como o Aspen HYSYS, gPROMS e AVEVA integram cinética química e termodinâmica detalhadas, criando réplicas virtuais precisas de operações petroquímicas.
- Integração de IoT e sensores: redes extensas de sensores fornecem dados em tempo real, atualizando continuamente o gêmeo digital para refletir com precisão os estados operacionais atuais.
- Aprendizado de máquina e integração de IA: a análise orientada por IA aprimora as capacidades preditivas, permitindo que os gêmeos digitais prevejam distúrbios operacionais e otimizem o desempenho da unidade de fabricação de forma proativa.
Essas inovações permitem que as empresas petroquímicas implementem a manutenção preditiva e o gerenciamento de ativos. Os gêmeos digitais podem até mesmo melhorar a segurança ao prever falhas nos equipamentos antes que ocorram, programar a manutenção de forma proativa e reduzir significativamente o tempo de inatividade e os custos operacionais. Eles também incorporam análise em tempo real, permitindo o ajuste dinâmico dos processos para otimizar a produção e reduzir o consumo de energia. Por exemplo, ao facilitar a modelagem detalhada de craqueadores de etileno, os gêmeos digitais maximizam a utilização da matéria-prima e os rendimentos dos produtos por meio de ajustes operacionais precisos.
Aceleração da descoberta e o reaproveitamento de medicamentos usando modelos de IA
O reaproveitamento de medicamentos tem sido uma estratégia de sucesso no desenvolvimento farmacêutico. No entanto, isso frequentemente exige um trabalho lento e com uso intenso de mão de obra para revisar as observações clínicas e a literatura de pesquisa, seguido por testes e validação extensos. Usando IA para a ciência, as empresas farmacêuticas agora podem prever indicações e contraindicações de medicamentos de forma mais eficiente, às vezes até mesmo sem novos parâmetros ou dados, por meio de um método conhecido como "inferência zero-shot".
As aplicações da IA no reaproveitamento de medicamentos incluem:
- Modelos impulsionados por IA que utilizam gráficos de conhecimento para avaliar mais doenças e candidatos a medicamentos potenciais mais rapidamente do que pesquisadores humanos poderiam sozinhos.
- Identificação de candidatos ao reaproveitamento usando biologia de redes de dados genéticos para identificar múltiplos medicamentos visando múltiplas partes de uma via da doença.
- Napolifarmacologia, os pesquisadores podem explorar efeitos fora do alvo que podem ser utilizados em combinação com outro medicamento.
O sucesso desses esforços depende amplamente da disponibilidade de dados de qualidade, o que ainda representa um desafio. Por algumas estimativas, 55% do conhecimento organizacional é composto por “dados obscuros”, informações não estruturadas acumuladas ao longo do tempo. Normalmente não harmonizados e armazenados em sistemas desarticulados, os dados obscuros frequentemente têm acessibilidade limitada, o que impede sua integração às estratégias de IA.
A complexidade do corpo humano e os desafios associados a doenças sem tratamentos viáveis significam que a capacidade computacional da IA será crucial para identificar novos usos de medicamentos já estabelecidos.
Visão computacional para análise microestrutural que melhora a segurança e a qualidade
Na pesquisa em ciência dos materiais, a visão computacional utiliza a IA para processar grandes volumes de dados visuais, como imagens microscópicas ou espectroscópicas, a fim de identificar propriedades, estruturas e defeitos dos materiais. Esse tipo de análise há muito tempo é uma etapa vital para compreender as propriedades mecânicas dos materiais e desempenha um papel crucial na segurança, na seleção de materiais e no controle de qualidade. O tamanho e a distribuição dos grãos, por exemplo, são fatores importantes na resistência e ductilidade do material, e setores como o aeroespacial e o eletrônico exigem análises microestruturais extremamente específicas e precisas de materiais e componentes.
A visão computacional impulsionada por IA está revolucionando esse processo. O que tradicionalmente era um procedimento manual demorado agora pode ser concluído mais rapidamente e com maior precisão, automatizando tarefas como a identificação de fases e a classificação de microestruturas. Algoritmos de visão computacional podem localizar e identificar defeitos, incluindo fissuras, lacunas e partículas estranhas. Eles também podem segmentar partículas individuais de grãos em uma microestrutura, detectar diferentes fases de materiais presentes e habilitar várias capacidades quantitativas utilizando características aprendidas por máquina.
Para os fabricantes, a análise microestrutural impulsionada por visão computacional melhora o controle de qualidade ao confirmar se os materiais atendem a certas especificações. Ao identificar possíveis defeitos mais rapidamente do que uma análise conduzida por seres humanos, esses sistemas podem ajudar a garantir a integridade dos materiais sob condições extremas, como em reatores nucleares, ou confirmar a estabilidade de materiais soldados.
O futuro da IA para a ciência: transformador e surpreendente
Os avanços tecnológicos e as descobertas científicas sempre andaram de mãos dadas e, à medida que as tecnologias impulsionadas pela IA continuam a melhorar, espera-se que transformem ainda mais muitas áreas da investigação científica.
Como podemos ver nos exemplos acima, não existe uma abordagem de "tamanho único" para o uso da IA na ciência. É provável que seu impacto seja sentido de diferentes maneiras em toda a gama de disciplinas científicas e de computação — desde mineração, integração, análise e otimização de dados até simulações, visualizações, análise preditiva e modelagem.
No CAS, estamos constantemente analisando a CAS Content CollectionTM, o maior repositório de informações científicas com curadoria humana, para entender melhor o cenário de pesquisa e como a IA está fazendo diferenças significativas em áreas que vão desde a saúde até a ciência dos materiais e muitas outras. Com nossa capacidade de observar de perto as inovações de ponta, estamos entusiasmados para ver onde a IA levará a descoberta científica em 2025 e além.
