LLMs têm modelos de palavras. Especialistas têm modelos mundiais. Essa é toda a diferença. Um LLM escreve um contrato que se lê perfeitamente. Um advogado vê exatamente como o advogado da parte contrária vai destruir tudo. O mesmo vale para biologia. Um modelo prevê a estrutura de uma proteína. Um biólogo pergunta: como ela se comporta quando a célula está estressada, inflamada ou morrendo? A próxima fronteira da IA não é inteligência. É profundidade de simulação.

Hoje meu feed X está transbordando de avanços médicos reais: 🇲🇽 Cientistas mexicanos eliminaram o HPV 🇪🇸 Pesquisadores espanhóis curaram câncer de próstata em camundongos 🇯🇵 O Japão restaurou a função motora em pacientes paralisados por meio da medicina regenerativa 🇰🇷 Cientistas coreanos relatam reverter câncer de cólon 🇻🇳 Clínicos vietnamitas mostram que o câncer de sangue pode ser completamente tratado A ciência biomédica está avançando em um ritmo acelerado sem precedentes. Um dia realmente ótimo para a medicina. 🧬🚀

Todo mundo está empolgado com "IA para Ciência" em 2025! No final do ano, por favor, permitam-me compartilhar meu desconforto e otimismo, especificamente sobre IA e biologia. Depois de passar mais um ano aprofundado em modelos de base biológica, IA em saúde e descoberta de medicamentos, aqui estão 3 lições que aprendi em 2025. 1. Biologia não é "apenas mais uma modalidade." O maior equívoco que ainda vejo: "Biologia é texto + imagens + gráficos. Só escale transformadores." Não. A biologia é causal, hierárquica, estocástica e incompleta de maneiras que a linguagem e a visão não são. Tokens não correspondem claramente à realidade. Os rótulos são esparsos, tendenciosos e frequentemente errados. A verdade fundamental é condicional, dependente do contexto e, às vezes, incognoscível. Fizemos progressos reais — unicelular, imagem, genômica, EHRs finalmente estão sendo modelados conjuntamente — mas a dura verdade é esta: A maioria dos sinais biológicos não são problemas supervisionados à espera de melhores funções de perda. São problemas movidos por intervenção. Eles exigem perturbações, contrafactuais e mecanismos, além da mera previsão. Escalar obviamente ajuda. Mas sem estrutura causal, a escala geralmente te dá correlações mais nítidas. 2025 reforçou minha crença de que modelos de base biológica devem ser construídos em torno de perturbação, incerteza e acionabilidade, não apenas de aprendizado por representação. 2. Benchmarks estão atrasando a biologia mais do que a computação. Sejamos honestos: benchmarking em IA e biologia ainda está quebrado. Todo mundo denuncia SOTA. Cada um escolhe uma fatia diferente do conjunto de dados. Cada um ajusta para uma métrica diferente. Todos evitam validação em potencial para todos. Importamos os piores hábitos do benchmarking de ML para um domínio onde as apostas são muito maiores. Na biologia e na saúde, um ganho de 1% que não se transfere é pior do que inútil — é enganoso. O que falta não são mais referências. Seus benchmarks difíceis: • Prospectivo, não retroativo • Baseado em perturbações, não estático • Multi-site, não laboratório único • Consciente de falhas, não otimizado para placar Se seu modelo funciona apenas no conjunto de dados que o criou, não é um modelo de fundação — é um artefato do conjunto de dados. Em 2026, precisamos de menos gráficos chamativos e mais humildade, rigor e resultados negativos. 3. "Raciocínio" em biologia não é uma cadeia de pensamento. Há uma tendência crescente de aplicar diretamente a palavra raciocínio aos LLMs biológicos. Vamos ter cuidado. Raciocínio biológico não é fluência verbal, janelas de contexto mais longas ou explicações mais bonitas. Essas são melhorias superficiais. O raciocínio real na biologia aparece em outros lugares: na formação de hipóteses, na decisão de quais experimentos realizar, na atualização das crenças quando perturbações falham e na constante negociação de custo, risco e incerteza. Um modelo que explica um caminho lindamente, mas não consegue decidir qual experimento realizar em seguida não é raciocínio, é narração. 2025 me convenceu de que o futuro está na IA biológica agente: sistemas que combinam modelos de base com loops de experimentação, simulação e tomada de decisão. Reflexão final: IA e biologia não estão atrás da IA em código ou linguagem. É só jogar um jogo mais difícil. As restrições são reais. Os dados estão bagunçados. Os loops de feedback são lentos. As consequências importam. Se 2025 esclareceu algo para mim, é isso: Não vamos progredir tratando a biologia como texto. Vamos avançar construindo IA que se comporte mais como um cientista: cética, iterativa e disposta a errar. Avançando para 2026.