Na Universidade Duke, a inteligência artificial e a computação avançada já não são mais complementos experimentais. Eles estão se tornando as ferramentas padrão para fazer perguntas que antes eram impossíveis de responder. Essa mudança está alterando como os pesquisadores trabalham em biologia, medicina e nas ciências em geral. [1] [2]
Modelos de Fundação Funcionam como Microscópios para a Biologia
Rohit Singh, biólogo computacional da Escola de Medicina da Duke, trata os modelos de fundação como novos tipos de microscópios. Esses sistemas de aprendizado de máquina são treinados em centenas de milhões de pontos de dados, permitindo que os pesquisadores vejam padrões em milhões de perfis de expressão gênica e sequências biológicas. Cada modelo revela um aspecto diferente da vida que pode ser estudado.
Treinar esses modelos exige esforço computacional massivo, mas o acesso a unidades de processamento gráfico (GPUs) reduziu o que antes levava semanas para apenas alguns dias. O Cluster de Computação da Duke fornece a espinha dorsal de computação de alto desempenho para essas tarefas, e um pequeno centro de GPU planejado para abrir em 2027 expandirá ainda mais a capacidade.
O retorno é direto. Ao aprender representações abstratas de proteínas, genes e células, os modelos de Singh podem comparar células saudáveis com células cancerígenas e perguntar se um medicamento pode zerar a diferença. Os insights desse trabalho alimentam projetos que vão do desenvolvimento de terapia gênica à descoberta de fármacos para várias doenças.
IA Interpretável Constrói Confiança em Decisões de Alto Risco
Embora o hardware mais rápido expanda o que é possível, Cynthia Rudin foca em tornar os sistemas de IA compreensíveis e confiáveis para as pessoas. Por anos, a maioria dos modelos de IA funcionou como caixas-pretas, escondendo o raciocínio por trás de suas previsões. Essa opacidade é um problema em áreas como saúde e justiça criminal, onde as decisões têm consequências sérias.
O laboratório de Rudin projeta modelos interpretáveis que permitem que especialistas vejam como as decisões são tomadas. Um desses modelos, desenvolvido junto com o radiologista da Duke Joseph Lo, analisa padrões sutis de imagem em mamografias para prever o risco de um paciente desenvolver câncer de mama nos próximos um a cinco anos. Como o modelo é transparente, os clínicos podem solucionar problemas e avaliar os dados e o raciocínio por trás de cada previsão.
Esses sistemas interpretáveis já foram aplicados em diversos contextos de saúde, desde a previsão de convulsões até a análise de imagens médicas. O objetivo não é apenas a precisão, mas também a responsabilidade em domínios onde a confiança é tão importante quanto o desempenho.
IA Ponteia Disciplinas para Acelerar a Descoberta
A iniciativa Deep Tech da Duke financiou quatro projetos que exploram como a IA pode acelerar a descoberta científica por meio de colaboração multidisciplinar. Cada projeto aborda uma barreira diferente que atrasa o progresso entre as áreas.
Consilience, liderado por Brinnae Bent, é um sistema de IA baseado em voz projetado para apoiar a colaboração interdisciplinar. Ele traduz terminologia, estimula a reflexão e traz à tona novas conexões de pesquisa em tempo real. O sistema está sendo testado durante um hackathon universitário, onde orienta equipes de pós-graduação de áreas diversas enquanto elas sintetizam propostas de pesquisa interdisciplinar.
O projeto de David Carlson foca em treinar estudantes para usar a IA de forma crítica. Em vez de simplesmente adotar grandes modelos de linguagem, os pesquisadores aprendem a avaliar essas ferramentas, identificar raciocínios falhos e aplicá-las de maneira responsável. Isso é especialmente importante em trabalhos interdisciplinares, onde conectar biologia, estatística e engenharia exige raciocínio complexo.
A equipe de Sharique Hasan explora como a IA pode traduzir descobertas complexas para formuladores de políticas, indústria e público. Ao destacar pesquisas com alto potencial de impacto e revelar ligações ocultas entre áreas, essas ferramentas podem encurtar o caminho da descoberta para o benefício no mundo real.
O projeto de Matthew Hirschey mapeia o progresso científico e os gargalos analisando a literatura. Modelos de linguagem de grande escala rastreiam como os conceitos se deslocam entre campos e revelam desafios compartilhados, como dados limitados ou poder de computação. Os mapas resultantes visam orientar decisões de financiamento e promover colaboração além dos silos tradicionais.
Infraestrutura Acompanha a Ambição
Nada disso seria possível sem investimento contínuo em infraestrutura de computação. O Cluster de Computação da Duke já suporta aplicações científicas de grande escala, e o futuro centro de GPU foi projetado para minimizar o consumo de energia e água e as emissões de carbono por meio de práticas eficientes energeticamente.
Singh observa que o acesso a mais GPUs acelera diretamente sua pesquisa em biologia computacional. Os investimentos feitos pela Duke posicionam a universidade como um local líder nesse tipo de trabalho, atraindo talento e possibilitando projetos que dependem tanto de escala quanto de sustentabilidade.
À medida que a IA se incorpora ao processo de pesquisa, o desafio não é apenas construir modelos mais rápidos, mas desenvolver modelos que sejam úteis, confiáveis e alinhados com as necessidades das pessoas que deles dependem. A abordagem da Duke indica que o futuro da descoberta científica será colaborativo, interpretável e profundamente computacional.
