Cerca de 950 agentes baseados no Claude passaram aproximadamente 21 horas vasculhando uma enorme coleção de sequências biológicas. Entre 1,9 bilhão de grupos de proteínas, um deles encontrou um padrão incomum junto a uma transcriptase reversa. A pista levou pesquisadores a caracterizar uma família de sistemas ainda não descrita, chamada array-associated reverse transcriptases, ou ART. O episódio é um dos exemplos mais concretos até agora de agentes de inteligência artificial participando diretamente da exploração científica. Também demonstra o limite dessa autonomia: a IA localizou um candidato e desenvolveu hipóteses. Cientistas precisaram levá-lo ao laboratório para descobrir se havia realmente algo biologicamente interessante ali.
A Anthropic anunciou a descoberta em setembro de 2026 e um preprint científico foi posteriormente disponibilizado no bioRxiv.
Os agentes analisaram loci de transcriptases reversas em aproximadamente 1,9 bilhão de clusters de proteínas.
Segundo os pesquisadores, cerca de 950 agentes utilizaram aproximadamente 210 milhões de tokens durante 21 horas de análise.
O sistema ART aparece em bacteriófagos e combina uma transcriptase reversa, um gene parceiro e um conjunto de repetições de DNA.
A organização lembra superficialmente arrays presentes no CRISPR, mas ART e CRISPR não são tecnologias equivalentes e a função biológica principal do ART ainda não foi estabelecida.
O que o Claude encontrou e por que o sistema ART chamou a atenção dos pesquisadores
Transcriptases reversas são enzimas capazes de produzir DNA utilizando RNA como molde.
Elas ficaram famosas por seu papel em retrovírus, mas aparecem em muitos contextos biológicos.
Bactérias e bacteriófagos possuem uma diversidade enorme de sistemas moleculares que ainda não foram caracterizados.
Grande parte dessa diversidade está registrada em bancos de sequências.
O problema é escala.
Projetos de metagenômica produzem quantidades gigantescas de DNA de microrganismos que muitas vezes nunca foram cultivados em laboratório.
Algoritmos tradicionais conseguem comparar sequências, procurar domínios conhecidos e agrupar proteínas semelhantes.
Mesmo assim, interpretar combinações incomuns de genes continua exigindo grande quantidade de trabalho humano.
A equipe ligada à Anthropic escolheu transcriptases reversas como campo de exploração.
Os agentes receberam acesso a ferramentas de bioinformática e começaram a investigar famílias de RTs pouco caracterizadas.
Segundo o preprint, o universo analisado continha aproximadamente 1,9 bilhão de clusters de proteínas.
Um dos agentes percebeu algo incomum próximo a determinada família de transcriptases.
Ao lado do gene existiam sequências repetitivas de DNA organizadas em série.
A estrutura chamou atenção porque lembrava, em algum nível arquitetural, os arrays encontrados em sistemas CRISPR.
CRISPR é um sistema de defesa encontrado em bactérias e arqueias que utiliza sequências derivadas de invasores anteriores para reconhecer material genético.
A comparação precisa parar aí até que existam evidências funcionais.
Encontrar repetições próximas de uma enzima não significa que ART funcione como CRISPR.
Os pesquisadores observaram que o sistema parece conter uma transcriptase reversa, um gene parceiro e unidades repetitivas de aproximadamente 200 nucleotídeos.
Essas unidades são expressas durante infecção por determinados bacteriófagos.
Isso sugere que o sistema não é um acidente genômico silencioso.
Aquilo que ele faz continua em investigação.
CRISPR possui funções biológicas e mecanismos amplamente estudados de reconhecimento e defesa.
ART foi identificado recentemente e sua função principal ainda não está determinada.
A semelhança relevante está na presença de conjuntos organizados de sequências repetitivas junto a componentes moleculares específicos. Transformar essa semelhança estrutural em equivalência funcional seria prematuro.
Como agentes de IA participaram da pesquisa e o que precisou ser testado em laboratório
O experimento é interessante porque não consistiu simplesmente em perguntar a um chatbot se ele conhecia uma enzima nova.
Os agentes receberam ferramentas para consultar bases, executar análises e seguir pistas.
Cada instância podia explorar uma linha de investigação própria.
Isso permitiu paralelizar trabalho em escala.
Enquanto um pesquisador humano precisaria decidir manualmente quais centenas de candidatos examinar primeiro, centenas de agentes podiam realizar buscas simultaneamente.
A Anthropic informa que aproximadamente 950 agentes operaram durante 21 horas e consumiram cerca de 210 milhões de tokens.
O número parece impressionante e precisa ser interpretado com cuidado.
Não significa que 950 cientistas humanos foram substituídos durante 21 horas.
Muitas tarefas executadas eram automáticas, repetitivas e paralelas.
Também existe custo computacional por trás dessa capacidade.
Centenas de agentes realizando consultas e raciocínio por horas consomem infraestrutura significativa.
O ganho está na escala da exploração, não numa produtividade diretamente comparável à de uma pessoa.
Depois que o candidato ART surgiu, o processo mudou.
Pesquisadores precisaram confirmar a organização genética, comparar ocorrências em diferentes genomas e selecionar sistemas para experimentos.
No laboratório, verificaram que os arrays eram expressos durante infecções por bacteriófagos e que apareciam como unidades discretas de RNA.
Essas observações sustentam a existência de um sistema biologicamente ativo.
Não resolvem sua função.
O preprint apresenta hipóteses de que ART possa utilizar um repertório de RNAs associado à transcriptase reversa, mas o significado funcional ainda precisa ser demonstrado.
A ausência de resposta final não diminui o resultado.
Na ciência, identificar corretamente uma pergunta que ninguém sabia fazer já pode representar avanço.
Também existe o risco de falsos positivos.
Agentes podem enxergar padrões que parecem interessantes e não possuem significado biológico.
Se milhares de hipóteses forem geradas, algumas sempre parecerão impressionantes por acaso.
É por isso que validação experimental é indispensável.
1. Exploração computacional: agentes procuram padrões e candidatos.
2. Priorização: hipóteses mais promissoras são selecionadas.
3. Validação laboratorial: pesquisadores testam se o fenômeno existe biologicamente.
4. Interpretação: resultados precisam receber explicação compatível com as evidências.
5. Reprodução independente: outros grupos precisam conseguir confirmar os achados.
O estudo está disponível como preprint, o que significa que os resultados foram compartilhados antes da conclusão do processo tradicional de revisão por pares.
Isso permite discussão rápida e também exige cautela adicional.
Outros grupos ainda precisam testar ART de maneira independente.
O que essa descoberta pode mudar na pesquisa científica e quais limites permanecem
O maior potencial aparece em áreas onde existem dados demais para inspeção manual.
Bioinformática é um exemplo perfeito.
Bancos genéticos contêm sequências de milhões de organismos e ambientes.
Apenas uma pequena parte recebeu caracterização experimental profunda.
Agentes capazes de usar ferramentas, consultar literatura e comparar sequências podem funcionar como exploradores dessa matéria-prima científica.
Isso poderia acelerar busca por enzimas industriais, sistemas antimicrobianos, proteínas de interesse médico e componentes úteis em engenharia genética.
Mas velocidade na geração de hipóteses cria pressão sobre a etapa seguinte.
Laboratórios continuam limitados por pessoas, equipamentos, reagentes, cultura celular e tempo.
Se a IA produzir dez mil candidatos interessantes por semana e o laboratório conseguir testar dez, o gargalo apenas muda de lugar.
Também surge uma questão de priorização.
O modelo precisa saber distinguir novidade genuína de redescoberta.
Uma sequência pode não estar descrita num artigo e ainda ser conhecida por especialistas ou depositada em bases de maneira diferente.
Pesquisa bibliográfica continua sendo necessária.
Para o Brasil, a possibilidade é especialmente interessante devido à biodiversidade.
Amazônia, Mata Atlântica, Cerrado, ambientes marinhos e microbiomas brasileiros contêm diversidade genética imensa.
Projetos científicos nacionais podem utilizar agentes para explorar bancos produzidos por universidades, Fiocruz, Embrapa e outras instituições.
O obstáculo não é apenas acesso ao modelo.
Dados precisam estar digitalizados, padronizados e acompanhados de metadados.
Computação também custa dinheiro.
O experimento da Anthropic utilizou grande quantidade de processamento em apenas 21 horas.
Laboratórios brasileiros precisarão avaliar se modelos menores, infraestrutura compartilhada ou serviços em nuvem conseguem tornar abordagens semelhantes economicamente viáveis.
Há ainda questões de soberania científica.
Enviar bases biológicas estratégicas para serviços estrangeiros sem regras claras pode gerar problemas de proteção de dados de pesquisa, propriedade intelectual e acesso a recursos genéticos.
A IA pode acelerar a ciência e aumentar a importância da governança dos dados científicos ao mesmo tempo.
Outro limite está no próprio significado de “descoberta pela IA”.
Claude identificou o padrão dentro de um processo desenhado por humanos, recebeu ferramentas criadas por humanos e teve sua hipótese testada por humanos.
Isso não diminui a participação do modelo.
Ajuda a descrevê-la corretamente.
O avanço mais importante talvez esteja na divisão de trabalho.
IA assume parte da exploração em massa. Cientistas concentram esforço em interpretação e experimento.
Se esse modelo se provar reproduzível, o impacto poderá ser grande.
Se os resultados dependerem excessivamente de infraestrutura proprietária ou não puderem ser confirmados por outros grupos, a utilidade científica será menor.
Por isso, o próximo passo relevante não é descobrir outro acrônimo.
É mostrar que outros pesquisadores conseguem repetir o processo e obter descobertas reais com frequência superior ao acaso.
O Claude não substituiu um laboratório. Encontrou uma pista que provavelmente levaria muito mais tempo para aparecer numa exploração convencional de um conjunto gigantesco de dados. Cientistas precisaram verificar que o sistema existia e ainda não sabem exatamente para que ele serve. Essa combinação mostra um caminho mais realista para a IA na ciência: ampliar a capacidade de procurar, enquanto experimento e reprodução continuam decidindo o que merece ser chamado de descoberta.
.png)
