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 para analisar conjuntos de dados gigantescos está tornando possível avaliar mais informações do que um pesquisador humano conseguiria sozinho — e em prazos cada vez menores. À medida que a evolução da tecnologia baseada em IA abre novas possibilidades em áreas que vão desde a medicina personalizada até a petroquímica, aqui estão alguns exemplos recentes que demonstram como a IA está causando impactos significativos na descoberta científica.
Relacionado: Assista à gravação do nosso webinar "IA para a Ciência" onde especialistas da 3M, do Moffitt Cancer Center and Research Institute e da CAS discutiram casos de uso específicos de IA, desafios e oportunidades dentro do contexto mais amplo do dinâmico cenário de pesquisa atual.
IA generativa permitindo o design de novos materiais com base nas propriedades desejadas
Projetar materiais com atributos específicos pode ser um processo lento que exige que especialistas examinem manualmente extensas listas de candidatos e empreguem experimentação por tentativa e erro. A IA generativa está permitindo uma mudança de paradigma na ciência dos materiais, ajudando os pesquisadores a avaliar muito mais candidatos ao prever as propriedades das substâncias a partir de princípios fundamentais e a examinar muito mais materiais com muito mais rapidez.
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 design de materiais:
- O MatterGen, da Microsoft Research, usa um modelo de difusão como base para a geração de materiais.
- O MatAgent aproveita LLMs aumentados 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 redes neurais de grafos (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 tem se mostrado promissora no design de substitutos para PFAS.
E a Meta lançou recentemente o Open Molecules 2025, um conjunto de dados para promover a descoberta molecular, e o Universal Model for Atoms (UMA).
O aprendizado de máquina também tem sido muito eficaz na previsão das propriedades de materiais candidatos. A Microsoft desenvolveu o MatterSim, um complemento ao MatterGen, que é um modelo de aprendizado profundo treinado com dados que combina 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, em seguida, 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 a ascensão da medicina de precisão
A modelagem genética orientada por IA agora pode analisar e interpretar vastas quantidades de dados genéticos, epigenéticos e de bioinformática, ajudando os pesquisadores a entender as variações genéticas e suas implicações. Essa abordagem usa algoritmos de aprendizado de máquina e outras ferramentas de IA para identificar padrões e correlações dentro das informações genéticas para adaptar medidas preventivas, tratamentos e medicamentos a cada indivíduo. Os objetivos são promover a intervenção precoce, minimizar efeitos colaterais e reduzir custos, tudo com o intuito 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 quantidades de dados genéticos, incluindo sequenciamento de DNA (por exemplo, sequenciamento de exoma/genoma completo), dados de transcriptoma, proteoma e metaboloma, para descobrir insights que algoritmos tradicionais podem perder. 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 intrincados dentro de dados genômicos que métodos estatísticos tradicionais podem ignorar, levando a previsões mais precisas sobre a suscetibilidade a doenças e resultados de tratamentos.
- Análise preditiva: A IA está sendo aplicada para prever a probabilidade de desenvolver certas doenças com base no perfil genético, histórico familiar e até mesmo nas anotações médicas de uma pessoa. Essa abordagem usa algoritmos de aprendizado de máquina e informática clínica para analisar dados genéticos complexos e padrões familiares, oferecendo insights sobre medidas preventivas e planejamento de tratamento personalizado.
- Planos de tratamento personalizados: A IA apoia o desenvolvimento de terapias de precisão com base no genoma e epigenoma únicos de um indivíduo. Modelos de IA analisam e identificam variações e mutações específicas que podem influenciar o risco de doenças e as respostas ao tratamento. As soluções de IA também podem examinar modificações epigenéticas, como metilação do DNA e modificações de histonas, para entender como fatores ambientais e escolhas de estilo de vida impactam a expressão gênica.
- 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 progressão de doenças.
Soluções orientadas por IA podem analisar vastas quantidades de dados para ajudar a desenvolver diagnósticos e tratamentos que considerem a variedade de fatores em jogo para cada paciente. Seja avançando em direção a um modelo omniômico do perfil de saúde de um paciente ou abordando a complexidade computacional de dados genéticos e epigenéticos, a IA promete ser uma força motriz no desenvolvimento da medicina de precisão.
Algoritmos de IA melhorando 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 a impulsionar o aquecimento global. Como o Painel Intergovernamental sobre Mudanças Climáticas (IPCC) observou, embora a captura e remoção de CO2 não substituam a redução de emissões, elas serão necessárias para diminuir as emissões de gases de efeito estufa e manter o aquecimento em 2 °C.
A IA para a ciência desempenha um papel cada vez mais importante em inúmeras abordagens para a captura de CO2, incluindo a captura e sequestro de carbono (CCS) e o intemperismo rochoso aprimorado (ERW).
- Captura e sequestro de carbono (CCS): Algoritmos de IA estão otimizando sistemas de captura de carbono ao analisar dados operacionais para melhorar a eficiência. Por exemplo, algoritmos de aprendizado por reforço foram usados para a otimização de processos de remoção de CO2 de gases de combustão industriais, minimizando a energia operacional necessária. Os resultados mostram que modelos e algoritmos preditivos podem reduzir os custos de energia em mais de 70 por cento dos casos. O aprendizado de máquina também pode identificar materiais porosos para adsorção mais rapidamente do que os métodos tradicionais. O MOFDiff da Microsoft, um modelo de difusão de granulação grossa, gera estruturas de estruturas metalorgânicas (MOFs), que são altamente eficazes na captura de carbono.
- Intemperismo rochoso aprimorado (ERW): O ERW remove CO2 da atmosfera ao acelerar 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 bicarbonato. Soluções baseadas em IA podem apoiar os esforços de ERW identificando 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 eficientes com gêmeos digitais
“Gêmeos digitais” (digital twins) 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. Na indústria petroquímica, essas réplicas permitem a simulação, análise e otimização de processos químicos complexos. Ao incorporar dados operacionais detalhados e cinética de reação, o gêmeo digital fornece insights sobre os sistemas das plantas de fabricação sob condições variáveis.
O software de gêmeos digitais amadureceu significativamente nos últimos anos, com muitas indústrias 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 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 fluxos de dados em tempo real, atualizando continuamente o gêmeo digital para refletir com precisão os estados operacionais atuais.
- Integração de aprendizado de máquina e IA: Análises impulsionadas por IA aprimoram as capacidades preditivas, permitindo que os gêmeos digitais antecipem distúrbios operacionais e otimizem o desempenho da planta de forma proativa.
Essas inovações permitem que empresas petroquímicas implementem manutenção preditiva e gestão de ativos. Os gêmeos digitais podem até mesmo melhorar a segurança ao prever falhas em equipamentos antes que ocorram, agendando a manutenção de forma proativa e reduzindo significativamente o tempo de inatividade e os custos operacionais. Eles também incorporam análises em tempo real, permitindo o ajuste dinâmico de processos para otimizar rendimentos e reduzir o consumo de energia. Por exemplo, ao facilitar a modelagem detalhada de craqueadores de etileno, os gêmeos digitais maximizam a utilização de matéria-prima e o rendimento do produto por meio de ajustes operacionais precisos.
Acelerando a descoberta e o reposicionamento de medicamentos usando modelos de IA
O reposicionamento de medicamentos é, há muito tempo, uma estratégia bem-sucedida no desenvolvimento farmacêutico. No entanto, muitas vezes exige um trabalho lento e trabalhoso de revisão de observações clínicas e literatura de pesquisa, seguido por testes e validações extensivos. Usando IA para a ciência, as empresas farmacêuticas agora podem prever indicações e contraindicações de medicamentos com mais eficiência, às vezes até mesmo sem novos parâmetros ou dados, por meio de um método conhecido como “inferência zero-shot”.
As aplicações da IA no reposicionamento de medicamentos incluem:
- Modelos impulsionados por IA que utilizam grafos de conhecimento para avaliar mais doenças e potenciais candidatos a medicamentos mais rapidamente do que pesquisadores humanos conseguiriam sozinhos.
- Identificação de candidatos ao reposicionamento usando biologia de redes de dados genéticos para identificar múltiplos medicamentos que visam múltiplas partes de uma via de doença.
- Farmacologia múltipla (polifarmacologia), onde pesquisadores podem explorar efeitos fora do alvo que podem ser utilizados em combinação com outro medicamento.
O sucesso desses esforços depende em grande parte da disponibilidade de bons dados, o que continua sendo um desafio. Segundo algumas estimativas, 55 por cento do conhecimento organizacional é composto por “dados obscuros” (dark data), informações não estruturadas acumuladas ao longo do tempo. Normalmente desarmonizados e armazenados em sistemas desconexos, os dados obscuros frequentemente têm acessibilidade limitada, o que impede sua integração em estratégias de IA.
A complexidade do corpo humano e os desafios associados a doenças que carecem de tratamentos viáveis significam que a capacidade computacional da IA será crucial para identificar novos usos para medicamentos já estabelecidos.
Visão computacional para análise microestrutural melhorando a segurança e a qualidade
Na pesquisa em ciência dos materiais, a visão computacional usa IA para processar grandes volumes de dados visuais, como imagens microscópicas ou espectroscópicas, para identificar propriedades, estruturas e defeitos dos materiais. Esse tipo de análise é, há muito tempo, uma etapa vital para entender as propriedades mecânicas dos materiais e desempenha um papel crítico na segurança, seleção de materiais e controle de qualidade. O tamanho e a distribuição dos grãos, por exemplo, são fatores importantes na resistência e ductilidade do material, e indústrias como a aeroespacial e a eletrônica 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 com mais rapidez e precisão, automatizando tarefas como identificação de fases e classificação de microestrutura. Algoritmos de visão computacional podem localizar e identificar defeitos, incluindo rachaduras, vazios e partículas estranhas. Eles também podem segmentar partículas de grãos individuais dentro de uma microestrutura, detectar diferentes fases de material presentes e permitir várias capacidades quantitativas utilizando recursos aprendidos por máquina.
Para os fabricantes, a análise microestrutural impulsionada por visão computacional melhora o controle de qualidade ao confirmar que os materiais atendem a determinadas especificações. Ao identificar possíveis defeitos mais rapidamente do que uma análise conduzida por 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
Avanços tecnológicos e descobertas científicas sempre caminharam lado a lado e, à medida que as tecnologias impulsionadas por 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 única para o uso da IA na ciência. Seu impacto provavelmente será sentido de diferentes maneiras em toda a gama de disciplinas científicas e computacionais — desde mineração, integração, análise e otimização de dados até simulações, visualizações, análise preditiva e modelagem.
No CAS, analisamos constantemente a CAS Content CollectionTM, o maior repositório de informações científicas com curadoria humana, para entender melhor o cenário da pesquisa e como a IA está fazendo diferenças significativas em áreas que vão da saúde à ciência dos materiais e muito mais. Com nossa capacidade de observar em primeira mão inovações de ponta, estamos empolgados para ver aonde a IA levará a descoberta científica em 2025 e além.
