Coordenados pelo professor André de Carvalho, diretor do ICMC, BioAutoML e BioPredction compõem uma lista selecionada de 100 projetos responsáveis, escaláveis e sustentáveis de todo o mundo
O frenesi em torno dos grandes modelos de linguagem, como o ChatGPT, e o atual debate sobre os reais ganhos dessas ferramentas perdem espaço quando o foco se volta para os benefícios concretos que a inteligência artificial (IA) oferece à área da saúde. É justamente esse o propósito do BioAutoML e do BioPrediction, soluções desenvolvidas no Instituto de Ciências Matemáticas e de Computação (ICMC) da USP, em São Carlos, que foram selecionadas para o TOP 100 2025 do Centro Internacional de Pesquisa em Inteligência Artificial (IRCAI).
Sob os auspícios da Organização das Nações Unidas para a Educação, a Ciência e a Cultura (Unesco), a instituição reconhece anualmente soluções que sejam responsáveis, escaláveis e sustentáveis, e que utilizem a IA para enfrentar desafios urgentes da humanidade, em consonância com os Objetivos de Desenvolvimento Sustentável (ODS). De autoria do pós-doutorando do ICMC, Robson Bonídia, o BioAutoML permite análises de sequências biológicas para identificação de patógenos e desenvolvimento de novos medicamentos. Já o BioPrediction, do doutorando Bruno Rafael Florentino, possibilita a análise da interação entre vírus e proteínas humanas, facilitando a descoberta de novas terapias.
O professor André de Carvalho, diretor do ICMC, que orientou o desenvolvimento dos projetos, acredita que as soluções se distinguiram justamente por democratizar o acesso a ferramentas que podem transformar dados biológicos em conhecimento aplicável. “Os projetos colaboram com o alcance da ODS 3 da ONU, que visa assegurar uma vida saudável e promover o bem-estar para todos. As ferramentas podem ser utilizadas para acelerar pesquisas, ampliando a capacidade de diagnóstico e permitindo que especialistas da saúde desenvolvam e compartilhem soluções baseadas em inteligência artificial sem depender de formação avançada em computação”, destaca.
O pesquisador Robson Bonídia complementa: “Imagine, por exemplo, um pesquisador que estuda câncer em um grande centro, com acesso a muitos pacientes, infraestrutura e recursos tecnológicos. A partir da nossa plataforma, ele pode transformar esse conhecimento em um modelo de inteligência artificial e disponibilizá-lo para outros centros que não têm o mesmo acesso, contribuindo para reduzir desigualdades e acelerar avanços na pesquisa e no cuidado em saúde”, explica.
Reconhecimento internacional
A seleção para o TOP 100 do IRCAI é resultado de um processo internacional altamente competitivo, que em 2025 reuniu propostas de mais de 30 países de todas as regiões geográficas da ONU. Os projetos foram avaliados por membros dos Comitês do Programa Científico da IRCAI, do Conselho Editorial da Revista Científica e do Conselho de Negócios e Impacto. A escolha recai sobre critérios que incluem uso de ciência de dados e aprendizado de máquina, contribuição mensurável para os ODS, práticas de IA responsável e evidências de impacto real ou potencial na sociedade.
Além de eleger os 100 melhores projetos, o IRCAI os classifica em quatro categorias: excepcional, excelentes, promissores e em estágio inicial. O BioAutoML ficou entre os 15 projetos com classificação mais elevada, concedida a soluções consideradas de elevado grau de inovação e com grande potencial de impacto social. Segundo Robson Bonidia, que atua como docente na Universidade Tecnológica Federal do Paraná (UTFPR), o IRCAI deverá anunciar, ainda neste ano, os dez projetos com maior destaque global. Os escolhidos serão, então, convidados a apresentar suas iniciativas em um evento internacional, com possibilidade de obtenção de novos apoios institucionais. “Estou ansioso para essa classificação, acho que temos grande chance, há somente três projetos da área da saúde”, relata o pós-doutorando Robson.
Já o BioPrediction foi listado como promissor, o que indica que se trata de um projeto em estágio inicial, mas que demonstra alto potencial de escalabilidade e impacto futuro. A solução é resultado do trabalho de conclusão de curso (TCC) de Bruno, que, pela excelência, recebeu a medalha de ouro Thomas Clarkson na edição 2024 do Global Undergraduate Award. Agora no doutorado, Bruno busca tornar a ferramenta totalmente automatizada. “Já conseguimos gerar modelos automaticamente, mas ainda é necessário identificar qual é o mais adequado para cada tipo de entrada do usuário. Isso acontece porque diferentes tipos de dados biológicos exigem estratégias distintas”, explica. Por isso, o doutorando pretende utilizar o reconhecimento do IRCAI para buscar novas parcerias científicas.
BioAutoML
Além do compromisso com a acessibilidade tecnológica, a solução se destaca pelo impacto acadêmico. O sistema, e seu conjunto de soluções, já alcançou mais de 40 mil acessos e downloads em cerca de 50 países e soma cerca de 230 citações em artigos científicos. Com a ferramenta, Robson também conquistou o Prêmio Tese Destaque USP e o V Prêmio de Reconhecimento Acadêmico em Direitos Humanos da Unicamp e do Instituto Vladimir Herzog (PRADH), ambos em 2025.
Para o pesquisador, o BioAutoML responde a uma lacuna comum no desenvolvimento de tecnologias baseadas em IA. “Muitas soluções são altamente sofisticadas, mas pouco utilizáveis por quem realmente precisa delas. Já com a nossa solução, o pesquisador ou profissional da saúde não precisa saber programar ou compreender detalhadamente os fundamentos matemáticos do sistema”, comenta.
Esse princípio orienta o desenvolvimento da nova geração da ferramenta, o BioAutoML-FAST, que é resultado da dedicação do doutorando do ICMC, Breno de Almeida, atualmente na Universidade de Leipzig, na Alemanha, em programa de dupla diplomação.
De acordo com Breno, agora a solução oferece uma plataforma online em que os pesquisadores podem, por exemplo, criar os próprios modelos biológicos do zero. “A versão anterior exigia a instalação da ferramenta no computador local, e agora, isso não é mais necessário. A ferramenta também passou a oferecer diversas visualizações e recursos que tornam as análises mais transparentes e interpretáveis, ou seja, permitem entender como e por que chegaram a tais resultados”, enfatiza o doutorando. De acordo com o doutorando, esse é um aspecto essencial, já que a falta de interpretabilidade ainda é um dos grandes desafios na área de aprendizado de máquina.
Além disso, a plataforma passa a contar com um repositório de modelos previamente treinados, reunindo cerca de 60 conjuntos de dados e problemas biológicos distintos. Assim, o usuário poderá escolher entre treinar um modelo próprio ou utilizar modelos já disponíveis, selecionando aquele mais adequado para suas necessidades de análise. “Antes, a ferramenta trabalhava apenas com sequências não codificantes de RNA, aquelas que não geram proteínas, mas que hoje se entende serem fundamentais para compreender os mecanismos de regulação celular, inclusive em processos relacionados a doenças, como o câncer”, explica Breno.
Segundo o doutorando, em testes recentes, os resultados obtidos têm se mostrado comparáveis aos de modelos de aprendizado profundo, e em alguns casos superiores, mantendo, porém, maior transparência e interpretabilidade. (Gabriele Maciel, da Fontes Comunicação Científica – sob supervisão de Denise Casatti, da Assessoria de Comunicação do ICMC/USP)
