Cada célula de um embrião se torna o que é em parte por causa dos sinais químicos que recebeu pelo caminho, mas esses sinais não deixam um registro óbvio. Descobrir quais atuaram, e quando, costuma exigir experimentos lentos em animais, uma via e um tipo celular por vez, e é quase impossível em tecido humano. Uma equipe do Whitehead Institute do MIT criou uma rede neural, a IRIS, que lê essa história a partir da atividade gênica da célula. O trabalho saiu na Nature Methods em 8 de setembro de 2026.
A descoberta central é que cada via de sinalização deixa na atividade gênica um padrão reconhecível que se parece muito entre tipos celulares bem diferentes. Isso contraria a crença comum de que as respostas são específicas de cada tipo celular, e é o que torna a transferência possível. A equipe, liderada por Pulin Li com o doutorando Nicholas Hutchins, expôs milhares de células-tronco embrionárias humanas a dezenas de combinações de seis grandes vias do desenvolvimento, entre elas WNT, BMP, FGF, ácido retinoico e Hedgehog, em várias etapas, e treinou a IRIS com o atlas resultante. Li a compara a um assistente de voz treinado sobretudo em inglês que ainda assim reconhece outros idiomas.
Os testes são o que destaca o artigo. Aplicada a células isoladas de embriões de camundongo em gastrulação, a IRIS indicou corretamente quando e onde as vias se ativavam em células a caminho de coração, intestino, músculo e medula espinhal. Ela também previu que a sinalização WNT ajuda a direcionar células mesenquimais iniciais para uma identidade de suporte ao pulmão, e a equipe confirmou isso em tecido de intestino anterior de camundongo cultivado. Depois, os pesquisadores usaram essa previsão para ajustar um protocolo publicado de células-tronco para mesênquima respiratório, um passo rumo a organoides pulmonares com estrutura ramificada.
Para quem acompanha IA na ciência, é um bom contraponto aos grandes modelos gerais que costumamos cobrir. A IRIS é uma rede pequena e feita sob medida, cujo valor vem de um experimento cuidadosamente desenhado para gerar seus dados de treinamento, e foi verificada em embriões reais, não em benchmarks. Ela se encaixa na mesma tendência ampla do trabalho de biologia com agentes do Google DeepMind e da OpenAI, mas suas afirmações são mais restritas e mais bem testadas.
Há limites. As previsões cobrem seis vias, e os próprios autores viram que métodos antigos baseados em genes marcadores funcionavam mal para algumas, sinal de que certas vias são mais difíceis de ler do que outras. Mexer só no WNT, observam, dificilmente vai produzir células pulmonares totalmente equivalentes às do corpo. Os dados de treinamento são públicos, mas nem a matéria do MIT nem o texto do artigo que lemos apontam para uma liberação do código, o que vai definir a rapidez com que outros laboratórios poderão usá-la. Mapear embriões humanos inteiros, a meta declarada da equipe, ainda está por vir.