Um viewpoint marcante na Cell, assinado pelos pesquisadores do Weizmann Institute Yonatan Stelzer e Amos Tanay, faz uma pergunta que boa parte do biotech de IA prefere não ouvir: e se simplesmente escalar não bastar para fazer as máquinas entenderem a vida?
O artigo, “Why machines don’t speak biology: Toward native biological language models”, não argumenta que a IA está fracassando na biologia. Ele argumenta que a área está otimizando a coisa errada — e que o verdadeiro gargalo não são os dados, as GPUs ou o tamanho do modelo. É que a biologia não se comporta como o corpus de treinamento de um modelo de linguagem.
Por que o AlphaFold funcionou — e por que isso não pode ser replicado
O sucesso do AlphaFold parece provar que “basta escalar” funciona. Mas os autores decompõem exatamente por que ele foi bem-sucedido: o espaço de enovelamento de proteínas não é aleatório. As proteínas naturais foram moldadas pela evolução, que produziu famílias estruturais modulares, repetidas e conservadas. Os alinhamentos de sequências múltiplas deram ao AlphaFold restrições evolutivas, e décadas de estruturas resolvidas experimentalmente forneceram uma verdade de referência confiável. Em outras palavras, o AlphaFold não aprendeu biologia do zero — ele aprendeu o resíduo estatístico da evolução.
Esse sucesso também define seu limite. O AlphaFold é excelente para interpolar dentro do espaço estrutural já explorado pela evolução, mas não consegue dizer com confiabilidade quais mutações causam misfolding, e não resolve magicamente o design de novo de proteínas grandes e complexas. A lição geral: a IA só generaliza de forma ampla quando um problema tem uma estrutura prévia rica e estável, e os dados de treinamento a cobrem bem.
Células e tecidos não são apenas proteínas maiores
Passar de proteínas para genomas, células e tecidos não é questão de adicionar algumas ordens de magnitude de dados. Uma proteína tem algumas centenas de aminoácidos; um genoma tem dezenas de milhares de genes e mais de um milhão de elementos regulatórios; uma célula contém na ordem de 10⁶–10¹⁰ moléculas de proteína; um tecido envolve bilhões de células interagindo. Dimensão, organização e complexidade dinâmica mudam conforme você escala.
O problema mais profundo: a vida não é uma máquina montada a partir de partes estáticas. Células e tecidos são processos que se desdobram no tempo e no espaço, com retroalimentação, regulação e interação entre níveis. Essa organização em múltiplas escalas é o desafio central que uma IA de biologia geral precisa enfrentar — e é exatamente o que a escala sozinha não resolve.
O teste da engine de jogos: gerar não é entender
A analogia mais afiada do artigo é uma engine de física. Um modelo que realmente entende um carro não apenas gera um vídeo plausível de um carro acelerando na neve — ele calcula a interação entre potência do motor, gravidade, atrito e o ambiente. Por esse teste, os modelos fundacionais de biologia de hoje, na maioria, geram vídeos plausíveis. Eles interpolam dentro da distribuição dos dados que a evolução deixou para trás; não conseguem reviver a história estocástica que a produziu.
É por isso que “emergência via escala” é uma esperança, não uma estratégia. Dentro de uma escala de problema bem definida — prever expressão a partir do DNA, prever como uma variante de enhancer desloca a expressão, prever efeitos de fármacos em uma via — a IA já é imensamente valiosa. Mas os autores são explícitos: deep learning é forte em interpolação e fraco em extrapolação além da distribuição de treinamento. Alimentar modelos maiores com mais dados de genes, proteínas e células não garante que eles vão “emergir” uma compreensão da vida.
A correção proposta: de partes para processos canônicos
Stelzer e Tanay propõem mudar a unidade fundamental de modelagem de componentes isolados para processos biológicos canônicos — processos que se repetem de forma observável entre experimentos, com estrutura espacial, temporal e mecanística relativamente estável. Os processos canônicos dão à IA um sistema de coordenadas: replicação do DNA, transcrição, tradução; o ciclo celular; o desenvolvimento embrionário; até infecção viral e connectomas cerebrais completos.
A modelagem alinhada a processos tem vantagens concretas: você obtém dados sobre o próprio processo, não snapshots estáticos; a variabilidade entre indivíduos se torna quantificável; observações de experimentos diferentes podem ser mapeadas em um eixo comum; e desvios causados por mutações, fármacos ou perturbações ambientais ganham significado interpretável real.
Isso reformula o problema dos dados. A escassez real não é mais dados de célula única — é dados multi-escala alinhados a processos, resolvidos espaço-temporalmente, in situ e cientes de perturbações. Os dados devem ser registrados em ambientes nativos (elementos regulatórios em contexto epigenômico real, células em tecido nativo), mapeados para coordenadas espaço-temporais explícitas, e priorizados para respostas precoces e diretas a perturbações, em vez de estados terminais após retroalimentação em múltiplos níveis.
Rumo a um modelo de mundo biológico causal
O objetivo final é um modelo de mundo biológico baseado em processos que reconstrua mecanismos e relações causais em vez de reproduzir observações. Para sair dos modelos fundacionais de escala única de hoje e chegar a esse modelo de mundo multi-escala, os autores oferecem três princípios:
- Destailação — remover correlações redundantes dos modelos existentes, preservando os mecanismos causalmente relevantes (por exemplo, separar verdadeiros drivers regulatórios de mutações que coevoluem por acaso).
- Padronização — construir módulos reutilizáveis (um modelo padronizado de estrutura/função de proteínas como componente de um modelo de mundo celular; um modelo padronizado de resposta celular a estímulos como componente de um modelo de mundo tecidual).
- Reconexão — recolocar os modelos destilados e padronizados no sistema de coordenadas espaço-temporais dos processos canônicos, para que os modelos de proteína, célula e tecido se conectem de fato mecanisticamente. É aqui, dizem os autores, que está a verdadeira fronteira.
O que isso significa para a indústria
Para os esforços de célula virtual, descoberta de fármacos com IA e a corrida pelo “modelo unificado de biologia”, este artigo é um tiro de alerta. Ele sugere que empresas e laboratórios competindo apenas por tamanho de modelo, volume de dados e contagem de GPUs podem estar escalando o eixo errado. O fosso competitivo duradouro será a infraestrutura experimental alinhada a processos: multi-ômicas in situ, dados de perturbação resolvidos no tempo e ontologias de processos padronizadas que conectem as escalas molecular, celular e tecidual.
Também reformula a avaliação. Se o seu modelo só consegue reproduzir aquilo com que foi treinado, você ainda não tem um modelo de biologia — você tem um autoencoder muito caro. O teste de progresso é a predição causal fora da distribuição: o modelo prevê corretamente as consequências precoces de uma perturbação que ele nunca viu?
Lições acionáveis
- Se você está construindo um modelo fundacional de biologia, invista na coleta de dados de perturbação e séries temporais, não apenas em escala — respostas precoces e diretas valem mais que estados terminais.
- Se você está avaliando um, peça resultados de predição causal fora da distribuição, não benchmarks de reconstrução.
- Se você está escolhendo uma direção de pesquisa, aposte em infraestrutura de dados alinhada a processos, in situ e multi-escala — é aí que está a escassez real da área.
Referência: Stelzer, Y. & Tanay, A. “Why machines don’t speak biology: Toward native biological language models.” Cell (2026). doi:10.1016/j.cell.2026.07.003
Perguntas Frequentes
O AlphaFold não prova que escalar funciona?
O AlphaFold foi bem-sucedido porque o espaço de enovelamento de proteínas tem estrutura: a evolução produziu famílias modulares, repetidas e conservadas; os alinhamentos de sequências múltiplas deram restrições evolutivas; décadas de estruturas resolvidas forneceram a verdade de referência. Ele aprendeu o resíduo estatístico da evolução, não a biologia do zero.
Por que a IA ainda não fala biologia?
Porque o gargalo é o processo, não os dados nem o compute. Células e tecidos são processos que se desdobram no espaço e no tempo, e sua organização em múltiplas escalas não pode ser alcançada apenas pela escala. O artigo propõe migrar de partes para processos canônicos e, em última instância, para modelos de mundo biológico causais.
O que esse viewpoint da Cell significa para a descoberta de fármacos com IA e as células virtuais?
É um tiro de alerta: equipes competindo apenas por tamanho de modelo, dados e GPUs podem estar escalando o eixo errado. O fosso duradouro é a infraestrutura experimental alinhada a processos (multi-ômicas in situ, dados de perturbação resolvidos no tempo), e o teste de progresso muda da reconstrução dos dados de treinamento para a predição causal fora da distribuição.
