Nos laboratórios onde novos medicamentos nascem e onde os segredos da natureza são decodificados, os cientistas enfrentam um enigma persistente: determinar a forma exata de uma molécula apenas observando como ela interage com a luz e campos magnéticos. Quando um químico sintetiza um novo composto ou isola uma substância de uma planta, ele deve provar o que essa substância realmente é. Eles fazem isso submetendo-a a máquinas que produzem padrões complexos de sinais, conhecidos como espectros. Esses sinais são como uma impressão digital única para a molécula, contendo pistas sobre como seus átomos estão conectados e arranjados no espaço. Durante décadas, a leitura dessas impressões digitais tem sido um processo lento e laborioso que exige um especialista humano para montar as peças, testando uma possível estrutura contra outra até que as peças se encaixem. Embora os computadores tenham ajudado, eles têm tido dificuldade em replicar o pensamento flexível e lógico de um especialista humano, muitas vezes falhando quando confrontados com uma molécula que nunca viram antes ou quando os dados estão confusos.

Uma equipe de pesquisadores desenvolveu agora um novo sistema que muda a forma como esse trabalho é feito. Em vez de tentar forçar um computador a simplesmente memorizar um banco de dados de moléculas conhecidas, eles construíram uma inteligência artificial que aprende a pensar como um químico. Este sistema, chamado MACROS, não apenas adivinha uma estrutura; ele propõe um candidato, verifica seu trabalho e refina sua resposta em um ciclo contínuo, muito como um humano faria. Ao ser treinado em milhões de exemplos simulados e do mundo real, o sistema aprendeu a conectar os pontos entre os sinais brutos e o arranjo tridimensional dos átomos. O resultado é uma ferramenta que pode identificar moléculas complexas com uma velocidade e precisão que superam os métodos atuais, mesmo quando os dados estão incompletos ou a molécula é inteiramente nova.

O cerne desta inovação reside em como o sistema é construído. Em vez de usar um único céreão massivo para fazer tudo, os pesquisadores criaram uma equipe de agentes digitais especializados, cada um com uma função específica. Um agente observa os dados e sugere uma possível estrutura molecular. Outro agente pega essa sugestão e simula como seriam os sinais se essa estrutura fosse real. Um terceiro agente compara os sinais simulados com os dados experimentais reais para ver o quão bem eles coincidem. Se a correspondência for ruim, o sistema envia a informação de volta ao primeiro agente para tentar novamente. Este ciclo de propor, testar e refinar acontece automaticamente e repetidamente. O sistema aprende com seus próprios erros em tempo real, estreitando gradualmente as possibilidades até encontrar a estrutura que melhor explica todos os sinais observados. Esta abordagem mimetiza o teste de hipóteses iterativo que os espectroscopistas humanos utilizam há gerações, mas executa o processo com uma velocidade e consistência que os humanos não conseguem igualar.

O que torna este sistema particularmente notável é que ele aprendeu as regras da química por conta própria. Os pesquisadores não o programaram com uma lista de regras químicas ou disseram-lhe quais átomos costumam se conectar a quais. Em vez disso, expuseram o sistema a mais de cem milhões de pares de espectros e estruturas moleculares. Através desta exposição massiva, o sistema descobriu espontaneamente princípios químicos fundamentais. Por exemplo, ele aprendeu que certos padrões nos dados correspondem a grupos específicos de átomos, como anéis ou ligações duplas, sem nunca ter sido explicitamente instruído a procurá-los. Ele também desenvolveu uma preferência por iniciar seus palpites estruturais com sistemas de anéis rígidos, uma estratégia que espelha a intuição de especialistas humanos experientes que sabem que construir uma molécula muitas vezes começa pelo seu núcleo mais estável. Esta capacidade de aprender a lógica subjacente da química, em vez de apenas memorizar padrões, permite que o sistema se generalize para moléculas que nunca encontrou antes.

Os pesquisadores testaram este sistema em uma grande variedade de amostras do mundo real, incluindo produtos naturais complexos encontrados na natureza, compostos sintéticos criados em laboratórios e metabólitos encontrados no corpo humano. Em muitos casos, o sistema foi capaz de identificar corretamente a estrutura molecular usando dados de ressonância magnética nuclear de 1H e 13C, um tipo de sinal comum, mas frequentemente ambíguo. Quando o sistema foi permitido realizar seu ciclo completo de pensamento e refinamento, sua precisão melhorou significativamente. Em um conjunto de produtos naturais desafiadores, o sistema identificou corretamente a estrutura de mais da metade das moléculas sem qualquer treinamento prévio sobre esses compostos específicos. Quando os pesquisadores ajustaram o sistema para um tipo específico de química, sua taxa de sucesso subiu ainda mais, resolvendo quase setenta por cento dos casos de metabólitos. Este desempenho mante-se verdadeiro mesmo quando os dados estavam ruidosos ou incompletos, demonstrando uma robustez que os métodos computacionais anteriores careciam.

Talvez a evidência mais convincente do valor do sistema venha de como ele trabalha ao lado de cientistas humanos. Em um estudo controlado, espectroscopistas profissionais foram solicitados a resolver as estruturas de moléculas complexas primeiro por conta própria e, depois, com a ajuda do sistema. Quando trabalhando sozinhos, levava cerca de uma hora para resolver uma única molécula, alcançando um índice de similaridade de impressão digital de 0,102. Quando usaram o sistema para auxiliá-los, o tempo caiu para apenas dez minutos por molécula, e o índice de similaridade saltou para mais de 0,80. O sistema não substituiu o especialista humano; em vez disso, atuou como um parceiro poderoso, lidando com o trabalho pesado de gerar e testar milhares de possibilidades, permitindo que o humano se concentrasse na verificação final. Esta colaboração sugere um futuro onde o trabalho tedioso da determinação de estruturas é automatizado, libertando os cientistas para se concentrarem na descoberta e na inovação.

As implicações deste trabalho estendem-se muito além de apenas resolver enigmas mais rapidamente. Ao estabelecer um método fiável para determinar estruturas moleculares a partir de dados rotineiros, o sistema abre as portas para explorar a vasta "matéria escura" da química — os milhões de moléculas desconhecidas que existem na natureza e em nossos corpos, mas que nunca foram identificadas. Atualmente, muitas destas moléculas permanecem invisíveis porque o processo de descobri-las é demasiado lento e difícil. Com uma ferramenta que pode decodificar estes sinais de forma rápida e precisa, os cientistas poderiam descobrir proativamente novos fármacos, compreender processos biológicos em maior detalhe e acelerar o desenvolvimento de novos materiais. O sistema representa uma mudança de simplesmente armazenar dados para raciocinar ativamente com eles, criando uma base para laboratórios totalmente automatizados onde a descoberta molecular acontece à velocidade do pensamento.

O sucesso desta abordagem também destaca uma nova direção para a inteligência artificial na ciência. Em vez de tentar forçar os dados científicos em formatos genéricos como texto ou imagens, os pesquisadores projetaram o seu sistema para falar a linguagem nativa dos dados em si. Os agentes foram treinados diretamente nos sinais brutos e nas cadeias químicas que representam as moléculas, preservando as subtis relações físicas que são frequentemente perdidas na tradução. Este design especializado permitiu que o sistema alcançasse alta precisão com muito menos recursos computacionais do que modelos de propósito geral. Sugere que o futuro da IA científica não reside em modelos maiores e mais genéricos, mas em sistemas especializados e interpretáveis, construídos do zero para compreender a lógica específica do seu campo. Ao combinar este conhecimento especializado com um processo de raciocínio de ciclo fechado, os pesquisadores criaram uma ferramenta que não apenas calcula, mas verdadeiramente compreende o mundo químico.