Pipette: Encoding scientific literature into an executable Skill Graph for multi-agent bioinformatics

O Pipette é um framework de IA multiagente que utiliza um "Skill Graph" derivado da literatura científica para orquestrar fluxos de trabalho de bioinformática executáveis e biologicamente válidos a partir de linguagem natural, reduzindo a barreira de entrada para pesquisadores de bancada.

O essencial

Imagine que você tem uma biblioteca gigante de receitas de culinária (os dados genéticos) e um chef de cozinha extremamente inteligente, mas que nunca cozinhou na vida real (a Inteligência Artificial). Se você pedir ao chef para fazer um "prato especial", ele pode tentar inventar uma receita misturando ingredientes que não combinam, como colocar chocolate em uma sopa de tomate, porque ele leu sobre chocolate e sobre tomate em livros diferentes, mas nunca viu alguém misturá-los.

É exatamente esse o problema que a ciência enfrenta hoje: temos muitos dados genéticos (sequenciamento de DNA), mas poucos especialistas para analisá-los. As IAs atuais conseguem escrever código, mas frequentemente criam "receitas" de análise que não fazem sentido biologicamente.

Aqui entra o Pipette, apresentado neste artigo. Vamos explicar como ele funciona usando analogias simples:

1. O Problema: O Chef Alucinado

As IAs atuais são como chefs que leem milhões de livros, mas não têm um "livro de regras" de como os ingredientes se conectam na vida real. Elas podem tentar pular etapas ou usar ferramentas incompatíveis, gerando resultados errados ou incompletos.

2. A Solução: O "Mapa do Tesouro" (Skill Graph)

A grande inovação do Pipette não é apenas ter um chef inteligente, mas dar a ele um Mapa do Tesouro chamado Skill Graph (Gráfico de Habilidades).

• Como foi feito? Os autores leram mais de 20.000 artigos científicos (como se fossem 20.000 livros de receitas validados por especialistas) e criaram um mapa digital.
• O que é o mapa? Imagine um mapa de metrô. Cada estação é uma tarefa (ex: "limpar os dados", "comparar genes"). As linhas que conectam as estações mostram quais tarefas podem ser feitas uma após a outra.
• A mágica: O Pipette não pode pular de uma estação para outra se o "bilhete" (o tipo de dado) não for compatível. Se a tarefa A produz um "suco de laranja" e a tarefa B só aceita "suco de limão", o mapa impede que o Pipette tente conectar as duas. Isso evita que a IA invente coisas que não existem na biologia.

3. A Equipe: O "Comitê de Controle de Qualidade"

O Pipette não é apenas um robô solitário; é uma equipe de trabalho com papéis definidos:

• O Copiloto: É quem conversa com você. Você diz: "Quero analisar esses dados de câncer", e ele entende o que você quer.
• O Executor: É o "cozinheiro" que segue o Mapa do Tesouro. Ele escreve o código, roda os programas e tenta fazer a análise.
• O Revisor (O Inspetor de Sanidade): Esta é a parte genial. Enquanto o Executor trabalha, o Revisor olha por cima do ombro. Se o Executor tentar usar uma estatística errada ou esquecer um passo crucial, o Revisor diz: "Ei, isso não está certo! Volte e conserte".
  • Exemplo real do artigo: Em um teste, a IA tentou simular uma reação química sem ajustar o pH do corpo humano. O Revisor percebeu o erro, a IA corrigiu sozinha e o resultado ficou perfeito.

4. O Resultado: O "Relatório de Rastreio"

Ao final, o Pipette não entrega apenas um número. Ele entrega um relatório completo, como um rastro de migalhas de pão que mostra exatamente:

• Quais dados foram usados.
• Qual software foi instalado.
• Quais parâmetros foram escolhidos.
• Quem (qual parte da IA) fez o quê.

Isso é crucial para a ciência, pois permite que qualquer pessoa repita o experimento e obtenha o mesmo resultado (reprodutibilidade).

5. Onde eles testaram? (A Prova de Fogo)

Os autores não ficaram apenas na teoria. Eles pediram ao Pipette para resolver problemas reais em quatro áreas diferentes:

1. Análise de Sangue (Células Únicas): O Pipette analisou 68.000 células de sangue e identificou corretamente os tipos de células (como linfócitos e monócitos), com resultados quase idênticos aos de humanos especialistas.
2. Plantas sob Estresse: Analisou como o arroz reage à seca e ao calor, encontrando os mesmos genes que estudos anteriores haviam descoberto.
3. Design de Medicamentos:
   • Cenário 1: Tentou encaixar um remédio (Imatinibe) em uma proteína de câncer. O Pipette corrigiu erros de software sozinho e achou o encaixe perfeito.
   • Cenário 2: Criou do zero novos peptídeos (pequenas proteínas) para bloquear uma interação entre células cancerígenas.
4. Diagnóstico Clínico: Analisou o DNA de uma pessoa saudável para procurar doenças genéticas. O Pipette seguiu rigorosamente as regras médicas internacionais (ACMG), identificou que não havia doenças graves (o esperado) e, num teste com "falsos positivos" inseridos, conseguiu achar todos os 7 problemas escondidos sem gerar alarmes falsos.

Conclusão: Por que isso importa?

O Pipette é como um tradutor universal entre a linguagem complexa da computação e a linguagem natural dos biólogos.

• Para o cientista de bancada: Você não precisa mais ser um programador expert para analisar seus dados. Você apenas conversa com o Pipette.
• Para a ciência: Ele reduz o tempo de pesquisa, evita erros humanos e garante que os resultados sejam confiáveis e repetíveis.

Em resumo, o Pipette pega a inteligência das IAs modernas e as coloca dentro de um "sistema de trilhos" baseado em conhecimento científico real, garantindo que a viagem do dado até a descoberta seja segura, lógica e precisa.

Resumo técnico

Título: Pipette: Codificando literatura científica em um Grafo de Habilidades Executável para Bioinformática Multi-Agente

1. O Problema

Apesar da queda drástica nos custos de sequenciamento genômico na última década, a capacidade analítica para interpretar esses dados não cresceu proporcionalmente. O gargalo na genômica deslocou-se da geração de dados para a análise. A maioria dos biólogos de bancada depende de colaboradores computacionais para executar fluxos de trabalho complexos que exigem proficiência em linha de comando, conhecimento de múltiplas ferramentas de software e métodos estatísticos adequados.
Embora os Modelos de Linguagem de Grande Escala (LLMs) possam gerar código, eles frequentemente falham na orquestração de fluxos de trabalho de múltiplos passos devido à falta de restrições analíticas específicas do domínio. Isso resulta em "alucinações" onde o modelo conecta ferramentas incompatíveis ou cria transições lógicas inválidas entre etapas analíticas, gerando fluxos de trabalho incompletos ou incoerentes.

2. Metodologia e Arquitetura

O Pipette é um framework de IA multi-agente projetado para traduzir consultas em linguagem natural em fluxos de trabalho de bioinformática rigorosos e reprodutíveis. Sua arquitetura central baseia-se em dois pilares principais:

• Grafo de Habilidades (Skill Graph):

  • É um conhecimento estruturado, um grafo direcionado e ponderado extraído computacionalmente de mais de 20.000 publicações revisadas por pares (PubMed Central).
  • O grafo contém 91 habilidades analíticas (nós) cobrindo nove domínios biológicos.
  • As arestas representam transições válidas entre habilidades, ponderadas pela frequência de co-ocorrência na literatura.
  • Inovação Chave: A extração do grafo utiliza uma abordagem de dois trilhos:
    1. Reconhecimento de Entidades Nomeadas (NER) e Extração de Relações (RE): Modelos fine-tuned (baseados em PubMedBERT) identificam ferramentas e operações.
    2. Ordenação Documental vs. Sentencial: O estudo descobriu que a extração baseada na ordem de documentos (seções de métodos inteiras) recupera 60,5% das transições de fluxo de trabalho reais, enquanto a extração baseada em sentenças (padrão atual) recupera apenas 6,2%.
    3. Validação de Tipos de Dados: As arestas são filtradas e validadas com base na compatibilidade entre os tipos de dados de saída de uma ferramenta e os tipos de entrada da próxima, permitindo inferir novas transições válidas mesmo sem co-ocorrência direta na literatura.

• Arquitetura Multi-Agente (6 Estágios):

  1. Copilot Agent: Interface conversacional que interpreta a intenção do usuário e roteia tarefas.
  2. Executor Agent: Opera em um loop iterativo (Planejar, Escrever Código, Executar, Observar), utilizando o Grafo de Habilidades para navegar entre ferramentas e corrigir erros de execução.
  3. Reviewer Agent (Auditor): Um agente independente que audita o código e os resultados gerados pelo Executor, verificando rigor estatístico, correção metodológica e consistência de figuras. Se falhar, inicia um loop de remediação.
  4. Rastreamento de Proveniência: Gera um registro de linhagem de dados legível por máquina (DAGs), capturando versões de software, parâmetros e sementes aleatórias.
  5. Reporter Agent: Gera relatórios estruturados em Markdown com achados quantitativos.
  6. Hypothesis Agent: Contextualiza os resultados na literatura atual e gera hipóteses testáveis.

3. Principais Contribuições

• Grafo de Habilidades Baseado em Literatura: A criação de um mapa topológico de caminhos analíticos válidos, extraído automaticamente da literatura científica, que restringe a geração de fluxos de trabalho a transições biologicamente plausíveis.
• Arquitetura de Auto-Correção: A introdução de um agente revisor independente que atua como um "gate" de qualidade, permitindo que o sistema detecte e corrija erros metodológicos (ex: falta de correção de testes múltiplos, estados de protonação incorretos) autonomamente.
• Reprodutibilidade Total: O sistema gera automaticamente registros de proveniência completos, essenciais para a ciência reprodutível e para aplicações clínicas.
• Acesso Democratizado: Reduz a barreira de entrada para análises genômicas complexas, permitindo que biólogos de bancada executem análises de ponta sem escrever código.

4. Resultados e Validação

O Pipette foi benchmarkado em quatro domínios distintos, comparado a LLMs sem restrições do Grafo de Habilidades e a análises publicadas:

• Análise de RNA-seq de Célula Única (PBMC e Pâncreas):

  • No conjunto de dados PBMC (68k células), o Pipette alcançou uma correlação de 0,959 nas proporções de tipos celulares em comparação com a anotação manual de referência.
  • No pâncreas humano, identificou corretamente 7 tipos celulares principais com concordância de 99,8% nas proporções e um Índice Rand Ajustado (ARI) de 0,92.
  • Comparação: Pipette superou LLMs sem o Grafo de Habilidades (Claude e GPT) na precisão da anotação celular e na seleção de genes marcadores, demonstrando que o Grafo guia melhor a escolha de ferramentas (ex: uso de CellTypist vs. métodos manuais).

• RNA-seq em Massa (Diferencial de Expressão em Arroz):

  • O agente executou um modelo GLM negativo binomial (DESeq2) com covariáveis corretas (lote e segmento da folha).
  • As estimativas de tamanho do efeito (log2FC) apresentaram correlações de Pearson de 0,976 a 0,991 com os resultados publicados, apesar de uma leve superestimação na contagem absoluta de genes diferencialmente expressos (devido à ausência de shrinkage de LFC no padrão inicial).

• Design de Fármacos (Docking e Peptídeos):

  • Imatinib/ABL1: O sistema corrigiu autonomamente a falta de estados de protonação fisiológicos e um erro de conversão de arquivo (PDBQT), alcançando um RMSD de 0,89 Å (sub-angstrom) em relação à estrutura cristalina.
  • Peptídeos Cíclicos p53-MDM2: Projetou e validou peptídeos cíclicos de novo, recuperando falhas de convergência do motor de docking e aplicando algoritmos de superposição Kabsch para validação estrutural.

• Análise Clínica de Variantes (ACMG/AMP):

  • Realizou uma classificação de variantes secundárias no genoma de referência HG002 seguindo estritamente as diretrizes ACMG/AMP v3.2.
  • Identificou corretamente 7 variantes patogênicas injetadas (sensibilidade de 100%) sem gerar falsos positivos (especificidade de 100%).
  • Demonstrou raciocínio clínico avançado, como identificar a ausência do cromossomo X no input (limitando a análise de genes X-ligados) e lidar com heterozigotos compostos (MUTYH).

5. Significância

O Pipette representa um avanço significativo na interseção entre IA e biologia computacional. Ao substituir a geração de código "livre" por uma orquestração guiada por um Grafo de Habilidades derivado da literatura, o sistema resolve o problema fundamental de coerência em fluxos de trabalho multi-etapa.

• Para a Ciência: Garante que as análises geradas por IA sejam metodologicamente sólidas, estatisticamente rigorosas e totalmente reprodutíveis.
• Para a Medicina: Demonstra a viabilidade de usar agentes autônomos para tarefas clínicas complexas (como classificação de variantes genéticas), mantendo a transparência necessária para a revisão humana.
• Futuro: O sistema sugere um caminho para fechar o ciclo entre a geração de dados, a análise computacional e a validação experimental, potencialmente integrando-se a plataformas robóticas de laboratório no futuro.

Em resumo, o Pipette não é apenas uma ferramenta de geração de código, mas um sistema de raciocínio científico autônomo que utiliza o consenso da comunidade científica (codificado no Grafo de Habilidades) para garantir a validade biológica e clínica de suas descobertas.