MIT recebe até US$ 53 milhões para uma IA que invente um substituto do glifosato

Quando se fala em IA generativa, costuma-se lembrar de chatbots e assistentes de código. Mas uma das histórias com mais dinheiro agora se desenrola na química: os modelos aprendem não a escrever texto, mas a inventar moléculas. O MIT acaba de receber até US$ 53 milhões da ARPA-H para uma tarefa assim, e o alvo não são medicamentos, mas herbicidas.

Que problema está em jogo

Nos EUA, usam-se todos os anos mais de um bilhão de libras de herbicidas. Eles protegem as lavouras das ervas daninhas e tornam possível uma agricultura que preserva o solo. Mas têm dois problemas. Primeiro, as ervas daninhas adquirem mutações de resistência. O glifosato, por exemplo, inibe a enzima EPSP sintase, sem a qual a planta não produz vários aminoácidos importantes. As mutações permitem que as ervas contornem esse bloqueio, e o produto deixa de funcionar. Segundo, há riscos à saúde: os herbicidas são associados a maior risco de câncer e de distúrbios endócrinos e metabólicos. Os agricultores recebem a maior dose, mas vestígios dessas substâncias chegam aos alimentos e à água de todos os demais.

Soma-se a geopolítica. O fósforo, componente-chave do glifosato, é em grande parte importado pelos EUA. Christopher Voigt, chefe do departamento de engenharia biológica do MIT e líder do projeto PLOW, diz sem rodeios: a resistência das ervas daninhas combinada a uma cadeia de suprimentos vulnerável pode deixar o país sem agroquímica básica.

Como funciona: o ciclo «modelo – triagem – estufa»

O projeto é dividido em três equipes, e o principal não é um modelo isolado, mas um ciclo fechado.

1. Modelos generativos. O grupo de Connor Coley, Regina Barzilay e Alexander Tropsha vai prever moléculas ou pequenos RNAs de interferência (siRNAs) que desativem as mesmas enzimas-chave das plantas que os herbicidas atuais. Os modelos precisam considerar vários objetivos ao mesmo tempo: síntese barata, baixo risco de surgimento de resistência e dano mínimo a pessoas e ao meio ambiente.
2. Triagem de alto rendimento. Espera-se que os modelos gerem bilhões de candidatos. O grupo de Angela Koehler e Jamie Chia, do Broad Institute, vai testar as bibliotecas quanto ao acerto no alvo. Os resultados da triagem voltarão à equipe computacional para melhorar os modelos. Em essência, é aprendizado ativo com dados reais de laboratório.
3. Estufas. Quando o conjunto de candidatos diminuir, uma terceira equipe vai verificar como as moléculas funcionam em diferentes condições agronômicas. Ela reúne pesquisadores das universidades do Tennessee, de Illinois e da Carolina do Norte e a startup Robigo. Os primeiros testes de candidatos de RNAi devem terminar até o fim do primeiro ano do programa.

Uma linha separada é dedicada a sistemas microbianos vivos: bactérias e fungos modificados que degradam agroquímicos antes que cheguem aos alimentos, ao solo e à água, convertendo-os, junto com os componentes das formulações, em biomassa.

O que realmente importa aqui

Primeiro, as limitações. Este é um anúncio de financiamento, não um resultado. O material não traz arquiteturas de modelos, métricas nem provas de que a abordagem generativa encontrará moléculas melhores do que a triagem clássica. O caminho de um candidato na estufa até um herbicida registrado é longo, e adiante há a regulamentação, que a IA não elimina. Portanto, não vale esperar um produto na prateleira nos próximos anos.

Mas, para quem constrói produtos de IA, há três sinais úteis.

• O valor está no ciclo de retroalimentação. Um modelo por si só não vale nada enquanto não for alimentado com dados experimentais novos. Ganha quem integra o laboratório ou um ambiente real ao ciclo de treinamento.
• A otimização multiobjetivo se torna a norma. Não bastam moléculas potentes: elas precisam ser baratas de fabricar, difíceis de «hackear» por mutações e seguras de aplicar. Se você projeta um sistema generativo, incorpore as restrições à função objetivo desde o início.
• A agroquímica se abre como mercado para a IA. O dinheiro público e a parceria entre universidades, o Broad Institute e a startup Robigo mostram que o nicho para fundadores na interseção de biologia, química e ML é real e tem financiamento.

Se você trabalha com IA na ciência, acompanhe os primeiros dados sobre os candidatos de RNAi: eles mostrarão se esse ciclo funciona na prática.