Radical Numerics afirma que sua IA reconheceu 22–33% de sequências virais ocultas

Em um laboratório de campo, não basta ler o material genético de uma amostra. É preciso também entender se, entre as sequências obtidas, há algo perigoso. A busca em um banco de referência ajuda quando o organismo já é conhecido. Com uma amostra desconhecida, é mais difícil: a ausência de correspondências, por si só, não diz nada sobre segurança.

A Radical Numerics propõe acrescentar IA a esse processo. Segundo a WIRED, a startup apresentou o Omnii Defense, um modelo que roda em um laptop sem internet e analisa sequências obtidas por meio de um sequenciador USB. A tarefa é clara: indicar ao pesquisador qual amostra merece verificação adicional, mesmo que não haja um registro exato dela no banco de dados.

A principal ressalva aparece logo de início. No experimento descrito pela empresa, o modelo marcou como potencialmente patogênicas apenas 22–33% das sequências de um vírus deliberadamente excluído do treinamento. É um resultado interessante para pesquisas futuras, mas ainda está longe de ser uma ferramenta confiável de detecção de ameaças.

O que o modelo acrescenta à busca em banco de dados

Imagine que um pesquisador obteve uma sequência genética de origem desconhecida. A busca convencional tenta encontrar semelhança com organismos já descritos. Essa abordagem é útil, mas suas possibilidades dependem do conteúdo do banco de referência e do grau de semelhança da amostra com os registros conhecidos.

O Omnii Defense, segundo os desenvolvedores, usa adicionalmente padrões que o modelo aprendeu a partir de dados biológicos. Ele faz várias previsões: se a sequência pode pertencer a um patógeno, qual a probabilidade de origem artificial e de qual grupo taxonômico ela mais se aproxima.

Em seguida, o sistema atribui ao genoma uma pontuação geral de ameaça, combinando a avaliação de incomum com as previsões de funções biológicas. Aqui é importante distinguir o nome do indicador do seu significado. Uma pontuação alta é um motivo para estudar a amostra com mais atenção. Por si só, ela não prova que o pesquisador está diante de um organismo perigoso ou de um produto de engenharia intencional.

Para o desenvolvedor de produto, a arquitetura é familiar: o modelo ajuda a selecionar casos para a etapa seguinte de verificação. O valor surge quando ele percebe sinais úteis que as ferramentas existentes deixam passar e, ao mesmo tempo, não sobrecarrega os especialistas com falsos alarmes.

O que realmente significam os 22–33%

A Radical Numerics descreveu um experimento com o vírus Bundibugyo. Primeiro, os dados sobre a espécie foram removidos do conjunto de treinamento. Depois disso, o modelo marcou como potencialmente patogênicas 33% das sequências apresentadas. Quando todo o gênero correspondente foi excluído do treinamento, o índice foi de 22%.

Esses números não podem ser chamados de precisão geral do sistema. Eles descrevem a detecção em um arranjo experimental específico. Pelos resultados apresentados, não está claro quantas sequências seguras o modelo considerou suspeitas por engano, como o limiar de acionamento foi escolhido e em que medida o resultado se transfere para outros organismos.

A empresa também afirma que ferramentas sem IA praticamente não geraram sinal de perigo nessa comparação. No entanto, a descrição disponível não basta para concluir que haja superioridade sobre todas as abordagens existentes. Para isso, são necessários detalhes do teste, condições de comparação claras e avaliação independente.

Bronwyn MacInnis, que lidera a área de vigilância de patógenos no Broad Institute, apoia a ideia de usar tecnologia para biodefesa. Ao mesmo tempo, ela ressalta a distância entre detectar um sinal e estabelecer o perigo real ou a origem artificial de um patógeno.

Por que as equipes que criam produtos de IA devem saber disso

A parte mais prática do anúncio é o funcionamento local. Se as capacidades declaradas forem confirmadas, o pesquisador poderá obter uma avaliação preliminar onde a conexão é instável ou inexistente. Mas o laptop com o modelo continua sendo parte do processo de laboratório: ele não substitui a obtenção de dados de qualidade nem a verificação posterior das conclusões.

Para fundadores, é útil a própria escolha do problema: aplicar um grande modelo biológico a uma restrição de trabalho concreta — a análise no local, sem conexão permanente. Ao avaliar um produto assim, vale observar as ameaças perdidas, os falsos alarmes, os requisitos de hardware e as ações do usuário após o acionamento.

Por enquanto, o Omnii Defense está disponível apenas para testadores externos selecionados. A Radical Numerics diz trabalhar com laboratórios nacionais, órgãos governamentais e avaliadores independentes. O próximo marco relevante serão os resultados dessas verificações. Eles mostrarão se o modelo ajuda os pesquisadores a tomar decisões mais bem fundamentadas em condições reais.