Milhões de células cerebrais analisadas em apenas 32 minutos? O número chama atenção, mas só faz sentido quando sabemos qual tarefa foi realizada. Um trabalho de pesquisadores da Scripps Research, OpenAI e PerturbAI usou 1.946 agentes de inteligência artificial em paralelo para interpretar resultados de um experimento já realizado com células cerebrais de camundongos. A equipe relatou uma execução computacional de 32 minutos. Isso não significa que coletou, sequenciou ou examinou fisicamente milhões de células do zero nesse intervalo.
O estudo foi disponibilizado como preprint no bioRxiv em 16 de outubro de 2026 e divulgado publicamente pela OpenAI em 21 de outubro. Seus resultados são promissores para análise de dados científicos em grande escala, mas ainda não constituem validação clínica nem foram submetidos ao crivo completo de uma publicação revisada por pares.
O experimento por trás da manchete
A base utilizada vem de um atlas experimental do cérebro inteiro de camundongos, construído com abordagens de CRISPR e Perturb-seq. Nessa estratégia, pesquisadores alteram determinados genes e observam mudanças na expressão de outros genes em diferentes tipos celulares. O resultado reúne dados de milhões de células e quase dois mil alvos de perturbação genética.
Uma coisa é medir esses efeitos; outra é interpretá-los. Cada alteração pode afetar vários grupos de neurônios e produzir milhares de mudanças de expressão. Os pesquisadores precisam compreender quais efeitos são relevantes, buscar explicações biológicas, relacioná-los a estudos anteriores e formular novas hipóteses testáveis. Essa segunda etapa é um gargalo importante.
Como funcionaram os 1.946 agentes
A equipe desenvolveu uma estratégia chamada raciocínio biológico distribuído. Em vez de entregar tudo a um único assistente, atribuiu a agentes independentes conjuntos de resultados correspondentes a cada perturbação. Cada agente podia examinar dados já processados, utilizar ferramentas analíticas, consultar literatura científica e gerar um relatório com interpretações, evidências, referências, ressalvas e sugestões de experimentos.
Os resultados individuais foram reunidos num atlas consultável de interpretações que conecta genes, tipos de células, efeitos observados e publicações. Essa estrutura permite que pesquisadores comparem perturbações relacionadas e identifiquem padrões entre elas. O ganho central foi distribuir a interpretação entre tarefas específicas e executar muitas delas simultaneamente, sem dispensar a avaliação humana.
O que a avaliação mostrou?
Para testar a abordagem, o texto do estudo original e suas conclusões foram ocultados dos agentes. Eles receberam os dados pertinentes, mas não a resposta final. Das 55 conclusões do estudo de origem diretamente testáveis com os perfis fornecidos, os agentes reproduziram ou refinaram 48 — cerca de 87% — e recuperaram parcialmente outras quatro. Não é correto extrapolar esse percentual para todas as descobertas científicas ou para qualquer conjunto de dados.
Os autores também compararam a estratégia distribuída com o trabalho de um agente único, mantendo parâmetros comparáveis. Na maior carga analisada, o agente único citou apenas 11 referências, enquanto os agentes distribuídos citaram mais de 700. Avaliadores humanos, em análises cegas relatadas no preprint, favoreceram interpretações dos agentes distribuídos em diferentes comparações.
Esses resultados indicam maior cobertura da literatura e recuperação de interpretações previamente conhecidas no cenário testado. Mais citações, por si só, não garantem maior qualidade científica. O conteúdo citado, a evidência e a utilidade das hipóteses ainda precisam de avaliação.
Houve descobertas científicas novas?
Os agentes sugeriram explicações adicionais para resultados que não estavam destacados no texto original. Uma delas envolve diferenças entre os genes Tsc1 e Tsc2, ligados a mecanismos de regulação celular. Embora ambos atuem em vias relacionadas, suas perturbações mostraram respostas distintas em certos neurônios do cerebelo. A equipe também aponta possíveis conexões com metabolismo do colesterol e neurodegeneração.
São pistas de investigação, não novas terapias comprovadas. Não foi demonstrado que esses agentes tenham descoberto uma cura para Alzheimer, Parkinson ou outras doenças. A relevância biológica e clínica de novas hipóteses exige experimentos independentes e resultados reproduzíveis.
O que, exatamente, aconteceu em 32 minutos?
Segundo a divulgação dos autores, o tempo corresponde à execução da etapa de análise e interpretação paralela dos dados experimentais existentes. Não compreende o trabalho acumulado de preparação dos experimentos, coleta de amostras, sequenciamento, processamento de dados, desenvolvimento do software e análise posterior dos relatórios por cientistas.
Também não se trata de uma comparação cronometrada entre equipes humanas e agentes executando tarefas idênticas em condições controladas. A estimativa de meses ou até um ano de trabalho humano apresentada na divulgação deve ser entendida como comparação aproximada proposta pelos pesquisadores, não como ganho de produtividade universal demonstrado.
Por que esta pesquisa importa para a inteligência computacional?
O diferencial é menos a ideia de uma IA que 'faz ciência sozinha' e mais uma arquitetura de trabalho: um problema grande é decomposto em muitas unidades menores, cada agente recebe contexto e ferramentas apropriados, seus resultados são estruturados e uma etapa de síntese permite revisão e investigação posterior.
Isso se conecta diretamente a questões centrais da aplicação de IA: qualidade e proveniência dos dados, decomposição de tarefas, acesso a fontes, rastreabilidade, avaliação e supervisão humana. Sem dados experimentais confiáveis e sem critérios de validação, uma interpretação articulada continua podendo estar errada.
Quais são as limitações?
O estudo foi conduzido sobre um conjunto específico de dados do cérebro de camundongos e com infraestrutura de agentes e ferramentas desenhadas para essa finalidade. Seus resultados não demonstram desempenho equivalente em diferentes espécies, experimentos ou domínios clínicos. Os autores reconhecem a necessidade de avaliações independentes e experimentos prospectivos para estabelecer a generalização e a utilidade das hipóteses produzidas.
Há também relações profissionais e comerciais declaradas: parte dos autores trabalha na OpenAI e na PerturbAI, e pesquisadores envolvidos são cofundadores desta última. Isso não invalida automaticamente os resultados, mas torna ainda mais importante verificar protocolos, dados e avaliações de modo independente.
Uma mudança na capacidade de explorar dados
O que a pesquisa mostra é que agentes de IA podem ajudar a transformar grandes volumes de resultados biológicos em perguntas científicas organizadas e testáveis — em escala muito maior do que um relatório manual isolado. O que ainda não sabemos é quanto dessas hipóteses se converterá em descobertas confirmadas.
Os 32 minutos são impressionantes. A conclusão mais útil, porém, não é que a inteligência artificial substituiu cientistas: é que um fluxo de trabalho computacional bem estruturado pode permitir que pesquisadores examinem muito mais do que antes.
Fontes e materiais técnicos
Repositório técnico disponibilizado pelos autores e dataset público de referência.