Big Mechanism foi um programa de pesquisa financiado pela Agência de Projetos de Pesquisa Avançada de Defesa dos Estados Unidos (DARPA) com um orçamento de 45 milhões de dólares. Lançado em 2014, o programa visava desenvolver software que pudesse ler a literatura de pesquisa sobre câncer, integrar o conhecimento extraído em um modelo abrangente de câncer e gerar novas hipóteses até o final de 2017. A iniciativa buscava automatizar a coleta de big data e integrar disciplinas como processamento de linguagem natural baseado em conhecimento, curadoria e ontologia, e biologia de sistemas e matemática. Ao ler resumos e artigos de pesquisa, esperava-se que o software extraísse fragmentos de mecanismos causais, acelerando assim o ritmo da descoberta científica em oncologia.
O programa focou em mutações na família de genes Ras, que estão implicadas em aproximadamente um terço dos cânceres humanos. Na época, os pesquisadores tinham um mapa aproximado das sequências de interação entre proteínas que afetam a replicação e a morte celular, mas as relações causais eram pouco compreendidas. O Big Mechanism visava esclarecer essas relações construindo modelos computacionais detalhados a partir da literatura científica.
Estrutura do Programa
O programa foi organizado em três etapas. A primeira etapa envolvia a leitura da literatura e sua conversão em representações formais. A segunda etapa focava na integração do conhecimento em modelos computacionais. A terceira etapa era produzir explicações e previsões experimentalmente testáveis. Equipes de pesquisa desenvolveram quatro sistemas separados que, em conjunto, abordavam todas as três tarefas.
Em fevereiro de 2015, uma reunião de avaliação revisou o progresso da primeira etapa. Múltiplas tarefas foram consideradas, incluindo a extração de detalhes de procedimentos experimentais e a avaliação de declarações como "demonstramos" e "sugerimos". Outra tarefa envolvia o mapeamento do significado e das relações das frases. O melhor sistema de leitura de máquina extraiu 40% das informações relevantes de um pequeno corpus e determinou corretamente como cada passagem se relacionava com o modelo.
A segunda etapa estava programada para ser ativada no verão de 2015, quando os membros da equipe tentaram produzir um modelo de referência único. A terceira etapa foi considerada a mais desafiadora, porque a comunidade de inteligência artificial teve sucesso limitado no desenvolvimento de geradores de hipóteses. No entanto, a biologia molecular foi vista como mais adequada, porque a maior parte do conhecimento do domínio é técnica e disponível em forma escrita.
Abordagem Técnica
O Big Mechanism dependia de avanços em aprendizado de máquina e processamento de linguagem natural (PLN) para analisar textos científicos. O programa usou técnicas de PLN baseadas em conhecimento para extrair relações causais, que foram então formalizadas usando ontologias e bancos de dados curados. Os mecanismos extraídos foram integrados em modelos matemáticos de vias de sinalização celular, particularmente aquelas envolvendo a família de proteínas Ras.
O uso de aprendizado profundo e redes neurais não foi explicitamente mencionado na documentação inicial do programa, mas os princípios subjacentes de extração automatizada de conhecimento e construção de modelos estão alinhados com tendências mais amplas em IA generativa e grandes modelos de linguagem que surgiram posteriormente. A ênfase do programa em ler e entender texto científico antecipou desenvolvimentos posteriores na descoberta científica impulsionada por IA.
Desafios e Resultados
Um dos principais desafios era a complexidade dos sistemas biológicos. Os mecanismos causais subjacentes ao câncer são intrincados, envolvendo múltiplas proteínas e ciclos de feedback. O objetivo do programa de gerar hipóteses novas era particularmente ambicioso, pois exigia que a IA não apenas sintetizasse o conhecimento existente, mas também propusesse novos experimentos.
A avaliação em fevereiro de 2015 destacou a dificuldade de extrair informações precisas de artigos científicos. O melhor sistema alcançou apenas 40% de precisão, indicando que melhorias significativas eram necessárias. O cronograma do programa era apertado, com a meta final definida para 2017.
Embora o programa tenha sido concluído em 2017, seu legado persiste na forma de ferramentas e metodologias para análise automatizada de literatura e construção de modelos. Os conceitos pioneiros do Big Mechanism influenciaram esforços subsequentes em pesquisa biomédica impulsionada por IA, incluindo o uso de transformers e atenção multi-cabeça na leitura e sumarização de textos científicos.
Impacto e Legado
O Big Mechanism foi uma das primeiras iniciativas em grande escala a aplicar IA a todo o pipeline de descoberta científica, desde a leitura de artigos até a geração de hipóteses. Ele destacou o potencial da IA para acelerar a pesquisa em domínios complexos como a biologia do câncer. O programa também fomentou a colaboração entre cientistas da computação, biólogos e matemáticos, levando a insights interdisciplinares.
Embora os objetivos específicos do programa não tenham sido totalmente alcançados, ele contribuiu para o desenvolvimento de técnicas para a construção de grafos de conhecimento e modelagem sequência a sequência que agora são comuns na pesquisa em IA. O foco em raciocínio causal e geração de hipóteses permanece uma área ativa de estudo, com grandes modelos de linguagem modernos começando a enfrentar desafios semelhantes.
Ver Também
- inteligência artificial
- aprendizado de máquina
- aprendizado profundo
- rede neural
- grande modelo de linguagem
- transformers
- IA generativa
- grafo de conhecimento
- sequência a sequência
- atenção multi-cabeça
Referências
- Documentação do programa Big Mechanism da DARPA (2014-2017)
- Relatórios de reuniões de avaliação (fevereiro de 2015)
Links Externos
- Site oficial da DARPA (arquivado)