Artigos científicos normalmente são documentos estáticos: o pesquisador lê o trabalho, procura os códigos e bancos de dados utilizados, configura programas e tenta reproduzir os métodos descritos pelos autores.
Uma nova ferramenta de inteligência artificial propõe mudar completamente essa dinâmica. Batizado de Paper2Agent, o sistema transforma artigos científicos em agentes de IA interativos, capazes de responder perguntas sobre o estudo, executar métodos descritos na publicação e aplicar essas técnicas a novos conjuntos de dados. O trabalho foi publicado na revista Nature.
Na prática, é como se cada artigo pudesse ganhar uma versão digital interativa de seu autor correspondente.
Em vez de simplesmente perguntar a um chatbot: “O que este estudo diz?” um pesquisador poderia solicitar: “Aplique o método deste estudo aos meus dados.” E o agente poderia executar as ferramentas necessárias para realizar a análise.
Não é apenas um chatbot que leu o PDF
Esse é um ponto importante. O Paper2Agent não coloca apenas o texto de um artigo dentro de um modelo de linguagem. O sistema procura também os códigos, dados, materiais suplementares e fluxos de análise associados à pesquisa.
Em seguida, vários agentes trabalham para transformar os métodos encontrados em ferramentas executáveis e testá-las para verificar se conseguem reproduzir os resultados de referência.
O resultado é organizado usando o Model Context Protocol (MCP), padrão que permite que modelos de IA tenham acesso estruturado a ferramentas, recursos e dados externos.
Cada artigo pode, assim, ganhar seu próprio servidor MCP e funcionar como uma espécie de especialista executável sobre aquela pesquisa.
Artigo consegue “explicar” e executar o próprio método
Imagine um estudo científico que apresenta uma nova ferramenta para analisar mutações genéticas.
Tradicionalmente, outro pesquisador teria que:
- encontrar o código;
- instalar dependências;
- entender a documentação;
- preparar os dados;
- descobrir quais parâmetros utilizar;
- executar a ferramenta;
- interpretar os resultados.
Com o agente criado pelo Paper2Agent, parte desse processo pode ser solicitada em linguagem natural. Em um dos testes apresentados pelos pesquisadores, o sistema transformou o trabalho do AlphaGenome, modelo para análise de variantes genéticas, em um agente com 22 ferramentas diferentes.
Todas passaram pelos testes automáticos de validação, e a criação do conjunto levou aproximadamente 45 minutos, com custo relatado de cerca de US$ 14, cerca de R$ 72 na cotação atual, em um computador pessoal.
Depois disso, o agente podia receber perguntas sobre variantes genéticas e utilizar autonomamente as ferramentas adequadas para produzir análises e visualizações.
Teste envolveu 100 artigos
Os pesquisadores avaliaram o sistema em 100 trabalhos de biologia computacional. Destes, 74 puderam ser transformados com sucesso em agentes com ferramentas executáveis. No total, o Paper2Agent propôs 599 ferramentas, e 593 passaram pelos testes automáticos de validação.
Nem todos os trabalhos puderam ser convertidos. Entre os problemas estavam ausência de código executável, dados indisponíveis, dependências quebradas e scripts que não podiam ser facilmente reutilizados.
Isso revela uma consequência interessante: a facilidade de transformar um artigo em agente também pode acabar funcionando como uma espécie de teste da reprodutibilidade da própria pesquisa.
Agentes de artigos diferentes podem trabalhar juntos
Talvez o ponto mais futurista esteja na possibilidade de conectar vários desses agentes. Em uma demonstração, os pesquisadores fizeram agentes construídos a partir de diferentes estudos colaborarem para investigar dados genéticos relacionados à psoríase.
Um agente poderia representar uma técnica; outro, um conjunto de dados; outro, uma ferramenta de análise. A IA então consegue combinar recursos provenientes de pesquisas diferentes para produzir novas hipóteses que posteriormente precisam ser avaliadas pelos cientistas.
No entanto, os autores fazem uma ressalva importante. O sistema pode executar métodos, combinar ferramentas, gerar hipóteses e propor estratégias de validação, mas isso não elimina a necessidade do cientista. Interpretações abertas, escolha das perguntas relevantes e avaliação das evidências continuam dependendo de pesquisadores humanos.
O Paper2Agent foi implementado nos experimentos usando o Claude Code, mas a arquitetura baseada em MCP permite que os servidores criados sejam conectados a diferentes agentes e modelos compatíveis.
Fonte: Nature – “Reimagining research papers as interactive and reliable AI agents”
