15 desafios para IA generativa em biologia celular: O que diz o artigo da Cell
Em 17 de agosto de 2026, a Cell publicou a perspectiva «Fifteen challenges for generative AI applications to cell biology». Em vez de declarar mais um modelo particularmente grande como um avanço, a equipe de autores levanta uma questão mais fundamental: Que tarefas a IA generativa precisaria realmente resolver antes que se possa falar de previsão confiável e controle direcionado de células?
A resposta são 15 desafios, que vão desde interações moleculares, estados celulares e mecanismos de ação até biomarcadores, respostas de organismos e estudos clínicos. O artigo é, portanto, menos um ranking de modelos atuais do que uma proposta para melhores metas científicas: o sucesso deve ser medido pela capacidade de um modelo fornecer previsões úteis e experimentalmente verificáveis em situações biológicas desconhecidas.
Fonte: Pexels / CDC
Resumo rápido
- O artigo formula 15 desafios concretos para a IA generativa em biologia celular e os atribui a quatro níveis: interações moleculares, função molecular, função celular/sistêmica e tradução.
- O ponto central não é se um modelo reconstrói dados biológicos de forma convincente, mas sim se ele faz previsões corretas e praticamente relevantes fora das situações de treinamento conhecidas.
- Tarefas com causalidade são particularmente desafiadoras: Que intervenção altera um estado celular, por que um medicamento funciona, como as células se comunicam umas com as outras ou qual resultado teria um estudo ainda não realizado?
- Portanto, os modelos fundacionais atuais não são automaticamente "células virtuais". Um benchmark publicado em 2025, por exemplo, mostrou que vários modelos de deep learning não conseguiram superar consistentemente baselines simples na previsão de perturbações genéticas.
- Os 15 Desafios conectam o desenvolvimento de IA com biologia experimental: bons benchmarks devem ser projetados de forma que o progresso possa ser traduzido em ganhos mensuráveis de conhecimento biológico.
O que o artigo da Cell realmente quer realizar
O trabalho de Léo Dupire e mais 14 autores – incluindo Theofanis Karaletsos, Shana O. Kelley, Emma Lundberg, Jian Ma, Stephen R. Quake e Andrea Califano – é uma perspectiva, ou seja, uma contribuição científica de orientação e discussão. Ela não apresenta um único novo modelo celular com um novo melhor desempenho. Em vez disso, ela tenta orientar o campo para tarefas cuja solução signifique algo biologicamente.
Isso é importante porque "bom desempenho" em biologia computacional depende muito do que exatamente está sendo medido. Um modelo pode classificar tipos celulares conhecidos muito bem ou complementar valores ausentes de forma plausível e, ainda assim, falhar na previsão da resposta a uma nova perturbação genética, a um tecido desconhecido ou a um novo ingrediente ativo. Para uma biologia celular verdadeiramente preditiva, essa generalização é crucial.
Fonte: pexels.com
O padrão para IA biologicamente útil não é apenas um bom valor de benchmark. É crucial se as previsões se sustentam em experimentos com novas condições e ajudam os pesquisadores na próxima decisão.
Os autores, portanto, estruturam as 15 tarefas ao longo de uma escala biológica crescente. Abaixo estão os títulos originais em inglês dos desafios. As explicações em alemão são uma contextualização editorial de que tipo de previsão ou tarefa de design deve ser testada; elas não são uma tradução literal do texto completo do artigo.
Os 15 desafios em resumo
Nível 1: Interações Moleculares
No primeiro nível, trata-se das relações elementares das quais o comportamento celular surge. Um modelo não deve apenas reconhecer quais moléculas ocorrem juntas, mas também ser capaz de lidar de forma confiável com contexto regulatório, estado da cromatina e comunicação entre células.
| Nº | Título original | Do que se trata na prática |
|---|---|---|
| 1 | Regulatory and signaling interactions | Prever relações regulatórias e de sinalização de tal forma que reações compreensíveis a uma intervenção ou estímulo possam ser derivadas delas. |
| 2 | Epigenetic interactions | Capturar como a cromatina e outros estados epigenéticos alteram a atividade dos genes e a resposta de uma célula de forma dependente do contexto. |
| 3 | Cell-cell interactions | Prever a comunicação e a influência mútua de diferentes células, em vez de modelar cada célula isoladamente. |
Fonte: commons.wikimedia.org / National Institutes of Health
O comportamento celular surge de estruturas e interações em vários níveis. A imagem do NIH mostra células HeLa com actina em vermelho, microtúbulos em ciano e núcleos em azul – um exemplo ilustrativo da organização molecular e celular simultaneamente presente.
Nível 2: Função Molecular
O segundo nível muda a questão de relações observadas para função. Aqui, torna-se interessante se a IA pode inferir efeitos biológicos a partir de sequências e componentes moleculares ou até mesmo projetar novos mecanismos funcionais.
| Nº | Título original | Do que se trata na prática |
|---|---|---|
| 4 | Synthetic mechanisms | Projetar novos mecanismos moleculares construídos com um comportamento desejado e prever sua função de forma confiável. |
| 5 | Genome to biochemical function | Passar da informação genômica para capacidades e processos bioquímicos concretos – não apenas para semelhanças estatísticas de sequências. |
| 6 | Drug mechanism of action | Prever através de quais estruturas-alvo, vias de sinalização e condições de contexto um medicamento realmente funciona. |
Nível 3: Função Celular e Sistêmica
Neste nível, a previsão molecular se torna uma tarefa sistêmica. Uma célula possui muitos estados possíveis, reage ao seu ambiente e pode ser reprogramada por intervenções. É exatamente aqui que se torna aparente por que um "modelo de linguagem para genes" não é automaticamente uma célula virtual completa.
| Nº | Título original | Do que se trata na prática |
|---|---|---|
| 7 | Genome to phenotype | Inferir de forma confiável propriedades fenotípicas e comportamento a partir de um genoma, mesmo quando combinações de variantes ou condições são novas. |
| 8 | Cell state reprogramming | Encontrar intervenções que movam uma célula de um estado inicial para um estado final desejado de forma direcionada. |
| 9 | Synthetic circuit design | Projetar circuitos genéticos artificiais robustos cujo comportamento em células reais corresponda às especificações. |
| 10 | Systems-level mechanisms | Capturar mecanismos em nível de sistema onde o estado celular, o ambiente e vários processos acoplados determinam conjuntamente a função observada. |
Fonte: pexels.com
Muitas das tarefas propostas exigem um ciclo fechado de modelo e experimento: formular a previsão, testar em uma cultura celular controlada, medir desvios e derivar a próxima geração do modelo a partir daí.
Nível 4: Tradução
O quarto nível é o teste de realidade mais difícil. Agora, previsões moleculares e celulares devem levar a questões relevantes para o desenvolvimento de medicamentos e a medicina. Aqui, não apenas a complexidade biológica aumenta, mas também a importância da qualidade dos dados, da heterogeneidade dos pacientes e da validação prospectiva.
| Nº | Título original | Do que se trata na prática |
|---|---|---|
| 11 | Complex biomarker identification | Encontrar biomarcadores multidimensionais que indiquem de forma robusta um estado clinicamente relevante ou uma resposta e que se provem fora do conjunto de dados de descoberta. |
| 12 | Drug toxicity | Prever efeitos tóxicos de um ingrediente ativo o mais cedo possível e em contextos biológicos relevantes. |
| 13 | Drug efficacy | Prever a eficácia não apenas em média, mas para diferentes estados biológicos e potencialmente diferentes grupos de pacientes. |
| 14 | Organismal responses | Generalizar de células e tecidos individuais para as respostas de um organismo inteiro, no qual os sistemas imunológico, metabólico e orgânico estão acoplados. |
| 15 | Clinical trial outcomes | Prever como um estudo clínico se desenvolverá em condições reais – uma tarefa que vai muito além da reconstrução de dados omics existentes. |
Fonte: pexels.com
Os últimos desafios se estendem até a tradução. Quanto mais próxima uma previsão estiver da segurança de medicamentos, eficácia ou estudos clínicos, maiores serão os requisitos para dados independentes, reprodutibilidade e confirmação prospectiva.
Por que os benchmarks atuais para "células virtuais" não são suficientes
Os 15 desafios atingem um ponto sensível da biologia de IA atual: um benchmark pode ser tecnicamente limpo e ainda assim gerar uma ideia equivocada de progresso. Se os dados de treinamento e teste forem muito semelhantes, um modelo pode interpolar padrões sem capturar adequadamente o mecanismo subjacente. Para um poder de previsão real, casos de teste que conscientemente se afastam da distribuição conhecida – como novas perturbações, outros tipos de células, outros tecidos ou combinações que o modelo não viu durante o treinamento – são, portanto, importantes.
A relevância dessa objeção foi demonstrada em 2025 por um trabalho de acesso aberto na Nature Methods. Constantin Ahlmann-Eltze, Wolfgang Huber e Simon Anders compararam cinco modelos fundacionais de célula única e duas outras abordagens de deep learning com baselines deliberadamente simples na previsão de mudanças transcritômicas após perturbações genéticas. Nas tarefas examinadas, nenhum dos modelos complexos conseguiu superar consistentemente as baselines simples. Os próprios autores enfatizam que isso não significa que o deep learning seja fundamentalmente inadequado para a biologia de célula única. O achado demonstra, em vez disso, a importância de baselines fortes e testes desafiadores para afirmações sobre generalização.
O artigo da Cell aborda exatamente este ponto: um modelo futuro não deve convencer pela sua capacidade de reproduzir dados conhecidos de forma particularmente realista, mas sim pela sua capacidade de melhorar a próxima decisão experimental com as suas previsões. Assim, a pergunta orientadora muda de "Quão semelhante é a saída?" para "Qual nova declaração biológica podemos testar com uma taxa de erro razoável?"
Três problemas estruturais por trás dos 15 desafios
1. Dados biológicos são ricos, mas não automaticamente os dados de treinamento corretos
Os atlas de células únicas contêm hoje enormes quantidades de valores de medição. No entanto, para muitas tarefas preditivas, faltam exatamente aqueles dados que permitem fazer afirmações causais: perturbações controladas, séries temporais, relações dose-resposta, contexto espacial, medições multi-ômicas e um número suficiente de sistemas biológicos independentes. Um bilhão de células observadas é, para algumas questões, menos informativo do que um conjunto de dados menor e planejado de forma limpa com intervenções direcionadas.
A Iniciativa Chan Zuckerberg ou Biohub, em paralelo ao desenvolvimento de grandes conjuntos de dados celulares, tem como objetivo explícito o desenvolvimento de uma célula virtual baseada em IA, que deve prever e tornar compreensível o comportamento celular. A perspectiva „How to build the virtual cell with artificial intelligence“, publicada em 2024 na Cell, descreve a célula virtual como um modelo multiescalar e multimodal para moléculas, células e tecidos. Os 15 desafios de 2026 podem ser lidos como testes concretos pelos quais este objetivo ambicioso pode ser medido.
2. A biologia celular é combinatória e dependente do contexto
A linguagem possui regras e padrões recorrentes; as células também – mas seu espaço de estados é moldado simultaneamente pela regulação gênica, interações proteicas, metabolismo, epigenética, vizinhança espacial, histórico de desenvolvimento e ambiente. Mesmo pequenas mudanças podem alterar seu efeito dependendo do tipo celular ou contexto. Um modelo que conhece corretamente um único componente, portanto, não precisa necessariamente prever corretamente a consequência de uma combinação de várias intervenções.
Isso favorece modelos que não tratam o conhecimento biológico prévio como uma explicação posterior, mas o levam em consideração na arquitetura, treinamento e avaliação: como redes de interação conhecidas, restrições físicas, vias de reação ou dados explícitos de perturbação. Números maiores de parâmetros podem ser úteis, mas não substituem essa estrutura automaticamente.
3. A correlação não é suficiente para muitos desafios
Na reprogramação do estado celular, mecanismos de ação ou efeito de medicamentos, trata-se de intervenções: O que acontece se mudarmos X? Exatamente essa pergunta separa correlação de causalidade. Um modelo pode conectar perfeitamente um marcador a um estado de doença sem saber se o marcador é a causa, a consequência ou apenas um efeito colateral. Para os desafios 8, 11, 12 e 13, essa distinção é imediatamente relevante.
Um exemplo ilustrativo do ciclo de validação desejado é o relatório Zerlo sobre a hipótese de câncer DeepMind/Yale confirmada em laboratório: Lá, um modelo levou a uma hipótese concreta e dependente do contexto, que foi subsequentemente testada em modelos celulares humanos. Tal acerto não prova uma "célula virtual" geral, mas mostra por que experimentos prospectivos são significativamente mais informativos do que benchmarks puramente retrospectivos.
O que uma "AI Virtual Cell" realmente útil precisaria ser capaz de fazer
O termo AI Virtual Cell é frequentemente usado para modelos de fundação que aprendem representações a partir de grandes conjuntos de dados de célula única. Isso é um componente importante, mas os 15 desafios sugerem um padrão de qualidade mais alto. Uma célula virtual útil precisaria não apenas codificar o estado atual, mas também ser capaz de simular intervenções e suas consequências.
- Generalizar: As previsões devem permanecer confiáveis também para tipos celulares, perturbações ou ambientes não vistos.
- Conectar várias escalas: As interações moleculares devem ser ligadas ao estado celular, tecido e, finalmente, às reações do organismo.
- Indicar incerteza: Um modelo deve indicar quando faltam dados para uma previsão confiável, em vez de fazer com que cada saída pareça igualmente segura.
- Ser experimentalmente falsificável: As previsões devem ser tão concretas que possam ser refutadas ou confirmadas em laboratório.
- Ser mecanisticamente útil: Para pesquisa e desenvolvimento de medicamentos, não é apenas o efeito previsto que conta, mas também, se possível, através de quais mecanismos e sob quais condições ele surge.
Isso também deixa claro por que o Desafio 15 – resultados de ensaios clínicos – está no final da escala. Entre um perfil de expressão gênica e o resultado de um estudo, existem inúmeros níveis: dosagem, farmacocinética, reações imunológicas, comorbidades, seleção de pacientes, protocolo de estudo e desfechos estatísticos. Um modelo que conecte confiavelmente todos esses fatores seria qualitativamente diferente de um sistema de classificação de tipos celulares.
O que equipes de IA e biologia podem extrair do artigo
Os 15 desafios permitem derivar uma estratégia prática de desenvolvimento. O seguinte é uma síntese editorial do artigo e do debate atual sobre benchmark, não uma lista adicional dos autores:
- Primeiro, defina a decisão biológica. Antes que uma métrica de modelo seja escolhida, deve ficar claro qual decisão experimental ou translacional deve ser melhorada pela previsão.
- Leve em consideração as linhas de base simples. Um modelo de fundação complexo deve competir contra baselines ingênuas, lineares e específicas do domínio. Caso contrário, não fica claro se a complexidade adicional fornece ganho de informação real.
- Planeje os dados de teste de acordo com a generalização. Divisões significativas retêm exatamente as situações que devem ser previstas posteriormente: novas perturbações, novos contextos celulares ou conjuntos de dados inteiros independentes.
- Separe a avaliação retrospectiva e prospectiva. Benchmarks retrospectivos ajudam na comparação de métodos. Experimentos prospectivos, por outro lado, testam se o modelo pode realmente prever novas biologias desconhecidas.
- Incorpore conhecimento biológico prévio e incerteza. Redes, mecanismos e restrições físicas podem estruturar o espaço de busca; estimativas de incerteza ajudam a evitar superinterpretações arriscadas.
- Publique resultados negativos. Se um modelo grande não superar as baselines simples, isso é cientificamente valioso. Tais resultados impedem que o campo confunda esforço computacional com progresso biológico.
Por que o artigo é relevante além da biologia celular
A perspectiva é um exemplo de um problema geral em IA generativa: quanto mais impressionante a saída que um modelo pode gerar, mais fácil é confundir plausibilidade com correção. Na biologia celular, essa diferença é particularmente acentuada porque uma previsão plausível pode falhar em experimentos – e porque suposições incorretas custam tempo, animais, amostras ou recursos clínicos posteriormente.
Os 15 desafios, portanto, estabelecem um contraponto útil ao mero pensamento de escalonamento. Eles exigem tarefas cuja solução se torna mensuravelmente mais difícil e cientificamente mais valiosa quanto mais nos afastamos da reconstrução molecular em direção ao controle celular causal e à tradução clínica. Se os transformadores atuais, modelos baseados em grafos, sistemas mecanicistas híbridos ou novas arquiteturas resolverão melhor essas tarefas, o artigo deixa deliberadamente em aberto.
FAQ
O que significa „Fifteen challenges for generative AI applications to cell biology“?
Este é o título de uma perspectiva publicada em 2026 na Cell. A equipe de autores formula 15 desafios científicos pelos quais a IA generativa para biologia celular pode ser avaliada de forma significativa – desde interações regulatórias até a previsão de resultados de ensaios clínicos.
Quais quatro níveis os 15 desafios cobrem?
Os desafios variam de interações moleculares a função molecular e função celular/sistêmica, até a tradução. Isso aumenta gradualmente o nível de dificuldade, desde relações biológicas locais até previsões sobre medicamentos, organismos e estudos clínicos.
O artigo da Cell afirma que uma célula virtual já existe?
Não. O artigo não é uma notícia de sucesso sobre uma célula virtual totalmente resolvida. Ele descreve tarefas que modelos generativos futuros teriam que resolver para que suas previsões se tornassem mais convincentes biologicamente e translacionalmente.
Por que boas pontuações em benchmarks existentes de célula única não são suficientes?
Uma boa pontuação pode surgir de tarefas que são muito semelhantes ao treinamento ou que podem ser resolvidas por padrões simples. Para a biologia preditiva, é crucial se um modelo generaliza para novas perturbações, tipos celulares, tecidos ou outras condições nunca vistas antes e fornece previsões melhores do que baselines simples e fortes.
Modelos de fundação maiores podem resolver os 15 problemas simplesmente por meio de escalonamento?
Isso não foi comprovado. Modelos maiores podem incorporar mais dados e representações mais complexas, mas os desafios também se referem à qualidade dos dados, causalidade, restrições biológicas, generalização e validação experimental. O benchmark Nature Methods de 2025 também mostra que a complexidade do modelo sozinha ainda não garante uma vantagem confiável em previsões de perturbação.
Qual desafio é o mais abrangente para a medicina?
Desafio 15, "Clinical trial outcomes", está no final do nível translacional. Ele pressupõe que um modelo integra adequadamente muitos níveis anteriores: mecanismos moleculares, estados celulares, eficácia, toxicidade, reações do organismo e heterogeneidade clínica.
Conclusão
„Fifteen challenges for generative AI applications to cell biology“ é, acima de tudo, um apelo por uma definição mais exigente de progresso. As 15 tarefas mudam o foco da reconstrução de dados impressionante para generalização, mecanismos, intervenção e confirmação prospectiva. Quanto mais a lista avança em direção à tradução, menos suficiente é um modelo que apenas reproduz padrões biológicos de forma plausível.
Para o debate sobre AI Virtual Cells, esta é uma régua útil: uma célula virtual real não seria simplesmente um modelo muito grande para expressão gênica, mas um sistema que prevê novas situações biológicas, permite reconhecer sua incerteza e fornece repetidamente acertos úteis em experimentos reais. Até lá, os 15 desafios são menos uma prova do que foi alcançado do que uma agenda de pesquisa concreta para o que ainda falta.