GPT-5 ajudou a resolver enigma de 3 anos na imunologia

Um experimento parado há três anos. Um pesquisador que já tinha desistido de entender o próprio resultado. No final de 2025, o imunologista Derya Unutmaz, professor no Jackson Laboratory e na Universidade de Connecticut, decidiu jogar aqueles dados velhos no GPT-5 Pro. O que veio da análise destravou uma pergunta que sua equipe não conseguia responder desde 2022.

O GPT-5 Pro é a versão do modelo da OpenAI voltada para tarefas que exigem raciocínio mais profundo, e foi ela que Unutmaz usou para revisitar o próprio experimento. A pergunta original era simples de enunciar e difícil de responder: como a glicose afeta o desenvolvimento das células T, o tipo de célula imune que ajuda o corpo a combater vírus, matar células cancerosas e reconhecer ameaças? Se você trabalha com biologia, saúde ou qualquer área em que a IA já aparece como ferramenta de análise (não só de redação), esse caso muda o que você pode esperar dela.

O que aconteceu

Em 2022, Unutmaz expôs células T, ainda em fase inicial de desenvolvimento, a dois cenários: um ambiente com baixa concentração de glicose e outro com uma molécula parecida chamada deoxiglicose, que bloqueia a capacidade da célula de usar glicose como combustível. A expectativa era que os dois cenários produzissem resultados parecidos, já que em ambos a energia disponível para a célula ficava restrita.

Não foi isso que aconteceu. As células expostas à deoxiglicose produziram, em massa, células ligadas à resposta inflamatória do corpo (as chamadas Th17). As células expostas apenas à baixa glicose também geraram algumas dessas células, mas em número muito menor. E o efeito da deoxiglicose persistia mesmo depois que o composto era removido. Faltava explicação: a diferença não podia ser só falta de energia, porque as duas condições restringiam energia de formas parecidas. Sem resposta, o experimento foi guardado.

Quando Unutmaz enviou os dados ao GPT-5 Pro em 2025, o modelo sugeriu que a deoxiglicose interferia na produção de uma proteína chamada IL-2, que normalmente funciona como uma trava, impedindo que a célula T se torne uma célula Th17. Ao bloquear essa proteína, a deoxiglicose removia a trava, e a célula seguia livre para se especializar como Th17 em maior número. “GPT-5 chegou a esse insight realmente notável que, retrospectivamente, faz todo sentido”, disse Unutmaz.

Por que isso importa pra você

O ponto mais interessante do relato não é a resposta em si: é o teste que Unutmaz fez depois, pra saber se aquilo era sorte ou capacidade real. Ele pegou um segundo experimento, esse já concluído mas ainda não publicado, sobre a habilidade de um tipo de célula T (CD8+) de matar células de linfoma. Pediu ao modelo pra simular o experimento antes de revelar o resultado. O GPT-5 Pro previu corretamente o aumento na capacidade de ataque das células CD8+, e como o resultado nunca tinha sido publicado, não havia como o modelo simplesmente repetir algo que já estava disponível na internet.

Isso separa dois usos de IA que costumam ser confundidos:

1. IA como buscador de literatura. Resume o que já existe, organiza referências, aponta lacunas na bibliografia. Útil, mas limitado ao que já foi escrito.
2. IA como simulador de hipótese. Analisa dados brutos e sugere mecanismos, ou até prevê o resultado de um experimento que ainda não rodou. É esse segundo uso que Unutmaz descreve, e é o que muda o cálculo de tempo em qualquer laboratório.

Se você trabalha com dados experimentais (não importa a área), a pergunta que vale levar pra sua rotina é: você está usando IA só pra revisar o que já existe, ou já testou levar um resultado inconclusivo pra ela analisar do zero?

O limite que a própria história revela

Tem um detalhe no relato de Unutmaz que merece atenção maior do que ele recebeu: o insight do GPT-5 Pro só teve valor porque havia alguém com décadas de imunologia pra avaliar se aquilo fazia sentido biológico. Um pesquisador sem essa bagagem não teria como distinguir uma hipótese plausível de uma correlação vazia gerada por um modelo de linguagem.

Isso não diminui o caso, mas contextualiza. A IA generativa não substitui expertise, ela acelera o ciclo entre hipótese e teste, o que é diferente. Unutmaz descreve o uso prático como um jeito de reduzir o número de experimentos que precisam ser tentados na bancada: em vez de testar todas as abordagens possíveis, ele simula antes e prioriza o que parece mais promissor. Isso pode cortar semanas, às vezes anos, de trabalho de bancada, mas o corte só é seguro porque quem decide o que testar continua sendo alguém treinado pra reconhecer um mecanismo biológico real.

Vale marcar também o outro lado dessa mesma capacidade: a mesma habilidade de acelerar descoberta em biologia é a que preocupa quem pensa em biossegurança. Não é hype nem alarmismo, é reconhecer que uma ferramenta que ajuda a entender melhor um mecanismo biológico complexo também reduz barreiras pra quem quiser usá-la de forma mal-intencionada. É por isso que a OpenAI mantém o que chama de Preparedness Framework, um conjunto de práticas para rastrear esse tipo de risco antes que ele se materialize.

Próximos passos

Se esse caso te deixou curiosa sobre como aplicar isso na sua própria pesquisa, aqui vão alguns pontos concretos pra pensar:

1. Revise dados antigos que você abandonou por falta de explicação. Um resultado inconclusivo pode ter uma resposta que só faltava uma outra perspectiva pra aparecer.
2. Teste a IA em algo que você já sabe a resposta antes de confiar nela pra prever o desconhecido, como Unutmaz fez com o experimento de linfoma ainda não publicado.
3. Não pule a etapa de avaliação humana. Toda sugestão de mecanismo precisa passar pelo crivo de quem entende a área, antes de virar hipótese de trabalho.
4. Se a sua pesquisa lida com dados sensíveis ou com potencial de uso dual, informe-se sobre as diretrizes de segurança da ferramenta que você está usando antes de compartilhar dados brutos.

Esse tipo de uso, IA como parceira de análise e não só de escrita, é um dos pontos que mais aparece quando o assunto é ética na pesquisa com inteligência artificial. Se você quer se aprofundar em como equilibrar produtividade e responsabilidade nesse uso, veja também IA na ciência: o que muda (e o que não muda) na pesquisa.

Fonte: How GPT-5 helped immunologist Derya Unutmaz solve a 3-year-old mystery, OpenAI