Agentes de IA saem do código e chegam ao laboratório
Agentes de IA que leem artigos, propõem hipóteses, chamam modelos e decidem o próximo experimento já provaram valor na engenharia de software. A pesquisa científica, porém, é mais exigente e iterativa: exige avaliar evidências continuamente, refinar hipóteses e operar ferramentas de domínio — como dobrar uma proteína ou caracterizar uma molécula. E cada uma dessas ferramentas costuma ter APIs e requisitos de ambiente completamente diferentes.
O NVIDIA BioNeMo Agent Toolkit tenta fechar essa lacuna. Ele empacota mais de uma década de modelos, bibliotecas e fluxos de trabalho de ciências da vida da NVIDIA em habilidades chamáveis por agentes para biologia, química, genômica e descoberta de fármacos. Nos benchmarks internos da empresa, as habilidades BioNeMo elevaram a taxa de acerto das tarefas de 60% para 100% e praticamente dobraram a eficiência de tokens.
Claude Science + NIM: previsão de estrutura proteica na prática
NVIDIA e Anthropic integraram o toolkit ao Claude Science, o ambiente de trabalho de IA da Anthropic para pesquisa científica. No tutorial publicado, o agente orquestra a previsão de estrutura de proteínas usando alinhamento de múltiplas sequências (MSA) e dois modelos de dobramento independentes — OpenFold3 e Boltz-2 — rodando como microserviços NIM.
O exemplo usa duas proteínas do fungo Paracoccidioides lutzii: a proteína de poro nuclear Seh1 e uma parceira putativa, e pergunta como a estrutura prevista muda quando a Seh1 é modelada sozinha versus em complexo. O fluxo tem três estágios: gerar MSAs, prever a estrutura com OpenFold3 e repetir as previsões com Boltz-2, comparando os resultados.
O MSA é o insumo que sustenta a hipótese
O experimento revelou um achado metodológico importante: sem o alinhamento de sequências, a confiança na interface entre as duas proteínas despenca. Com MSA, o iPTM (métrica que mede o contato previsto entre as cadeias) chega a 0,85 no OpenFold3 e 0,82 no Boltz-2; sem MSA, cai para 0,14 e 0,19, respectivamente. Os cinco experimentos de cada condição se agruparam com desvio-padrão inferior a 0,006, indicando que a diferença é consistente.
Os dois modelos também convergiram na geometria local: posicionaram as mesmas fitas β da proteína parceira contra a Seh1, completando a hélice WD40 na região de “fecho de velcro”. Vale o cuidado editorial: trata-se de uma predição computacional, ainda sem confirmação experimental — dois modelos independentes convergindo formam uma hipótese sólida, não uma prova de ligação biológica.
Por que isso importa
A combinação de um agente generalista com habilidades de domínio especializadas resolve um problema prático da pesquisa: o agente sabe que precisa dobrar uma proteína, mas não necessariamente qual modelo usar, como formatar a solicitação ou quais parâmetros importam. O toolkit fornece exatamente essa camada. O código está disponível no GitHub, e a NVIDIA recomenda uma estação de trabalho com GPU L40S ou H100 — o banco de dados UniRef30 do msa-search ocupa cerca de 490 GB em disco.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
