Large genome models passaram a maior parte de sua curta existência projetando proteínas. Esse era o ponto de partida lógico: as proteínas são as unidades de trabalho da biologia, e entender como projetar novas significa obter controle direto sobre a química celular. Mas uma equipe de pesquisa da Stanford University levou esses modelos para um novo território, usando-os para gerar genomas virais completos do zero. Os vírus que produziram são reais, funcionais e, em alguns casos, estruturalmente diferentes de tudo o que é encontrado na natureza.
Do Design de Proteínas a Genomas Completos
Os modelos no centro deste trabalho, chamados Evo 1 e Evo 2, pertencem a uma classe de sistemas treinados em sequências de DNA em vez de linguagem humana. A lógica subjacente espelha a de large language models: em vez de prever a próxima palavra em uma frase, esses sistemas predizem o próximo nucleotídeo em uma sequência genética. O DNA usa apenas quatro letras (A, T, C e G), o que pode parecer simplificar a tarefa, mas os genomas estão longe de ser uniformes. Algumas posições são biologicamente críticas; outras são quase irrelevantes. Um modelo que não consegue distinguir entre as duas produzirá sequências que parecem plausíveis, mas não fazem nada.
Evo 1 e Evo 2 parecem ter aprendido essa distinção, pelo menos dentro de certos domínios. Trabalhos anteriores mostraram que eles podiam emitir sequências de DNA codificando proteínas funcionais em bactérias e mimetizar estruturas gênicas encontradas em células complexas. A contribuição da equipe de Stanford foi perguntar se os mesmos modelos poderiam gerar um genoma viral inteiro, e não apenas genes individuais.
O Vírus que Escolheram e o Porquê
O assunto do teste foi um bacteriófago chamado ΦX174, um vírus que infecta E. coli e não pode infectar humanos. É uma escolha deliberada em vários níveis. O ΦX174 é pequeno e bem compreendido: 11 genes espalhados por cerca de 5.400 bases, com a função de cada gene já identificada e o ciclo de infecção completo bem caracterizado. Ele também termina com uma sequência curta e consistente de bases, o que deu aos pesquisadores um comando natural. Alimente o modelo com essas bases terminais, e ele deverá reconhecer o contexto e gerar algo relacionado.
Antes de realizar os experimentos, a equipe ajustou o Evo 1 e o Evo 2 com mais de 2 milhões de bases adicionais de DNA de bacteriófagos, e depois estreitou ainda mais o treinamento para sequências de Microviridae, a família mais ampla à qual o ΦX174 pertence. Eles então testaram diferentes comprimentos de comandos e descobriram que de quatro a nove bases da sequência inicial produziam os resultados mais úteis.
Nem todo resultado valia a pena ser testado. A equipe aplicou uma série de filtros: qualquer genoma proposto que estivesse faltando ou degradando severamente a proteína de espícula (a estrutura que o vírus usa para se fixar nas bactérias) foi descartado, assim como sequências que eram muito longas, muito curtas ou mostravam padrões incomuns em sua composição de bases. Após a filtragem, restaram 302 sequências candidatas. Destas, 285 foram quimicamente sintetizadas e inseridas em bactérias.
O resultado: 16 das 285 sequências inibiram o crescimento bacteriano, indicando que funcionavam como vírus reais. Nove foram saídas diretas da IA; sete haviam adquirido mutações adicionais após a inserção. A taxa geral de viabilidade foi de 5,6%. Entre as sequências com pelo menos 98% de similaridade com o ΦX174 original, a viabilidade subiu para 46%.
O que “Funcional, mas Distinto” Realmente Significa
Aqui está o que a maioria das coberturas sobre este trabalho deixa passar. O resultado interessante não é que a IA produziu vírus semelhantes ao ΦX174. É que alguns dos vírus viáveis eram genuinamente diferentes de maneiras que seriam difíceis de alcançar por meio da evolução comum.
O ΦX174 é notoriamente frágil. Estudos anteriores mostraram que uma única alteração de aminoácido em qualquer uma de suas proteínas carrega, em média, uma chance de 20% de inativar o vírus por completo. Essa fragilidade significa que a evolução natural tende a manter o genoma travado no lugar. A IA, operando fora da pressão evolutiva, explorou combinações que a biologia raramente alcança. Um dos vírus viáveis perdeu uma proteína viral inteira e compensou com alterações em outros lugares do genoma. Outro adicionou um gene completamente novo. Um substituiu um gene do ΦX174 por um gene de um vírus distantemente relacionado.
Estas não são variações menores. Elas representam soluções estruturais que a seleção natural, limitada pela necessidade de manter cada etapa intermediária viável, teria dificuldade em encontrar.
Os pesquisadores foram cuidadosos com a segurança. Evo 1 e Evo 2 foram deliberadamente não treinados em sequências de vírus que infectam células complexas, incluindo vertebrados. A lógica é direta: mesmo saídas que não podem ser compreendidas podem ser perigosas, então os dados de treinamento foram restritos antes que a pergunta pudesse surgir. Mas a equipe de Stanford também observou algo sobre o qual vale a pena refletir: a mesma abordagem geral, aplicada a um modelo treinado em vírus que infectam vertebrados, poderia, em princípio, produzir algo muito mais preocupante. Eles sugerem que o campo deveria começar a pensar sobre esse cenário agora, antes que se torne urgente.
Em Resumo
Large genome models agora podem gerar genomas virais completos que são funcionais, estruturalmente novos e, em alguns casos, diferentes de qualquer coisa produzida pela evolução natural. O trabalho foi conduzido com cuidado, usando um bacteriófago que não apresenta risco humano e com restrições deliberadas nos dados de treinamento. A importância mais ampla não são os vírus específicos produzidos. É a demonstração de que sistemas de IA podem navegar pela complexidade combinatória de um genoma inteiro e chegar a soluções que a biologia, entregue à própria sorte, raramente encontraria. Essa capacidade importará enormemente para a medicina e a bioengenharia. Ela também levanta questões que o campo ainda não respondeu totalmente.
Com base em reportagem de Ars Technica.