O que é preciso para gerar dados biológicos em escala para a IA

O ensaio é assinado no Substack deepphenotype e descreve o que a insitro precisou construir para gerar dados biológicos confiáveis em escala. A empresa começou o laboratório em 2018, quando investir em bancada parecia estranho para uma empresa de IA. O argumento é que, em biologia, os dados necessários não existem prontos: para saber o que uma célula faz quando um gene é perturbado, é preciso fazer o experimento e medir.

O centro técnico é o POSH (Pooled Optical Screening in Human cells). Milhões de células crescem juntas num único pool, cada uma com uma guia CRISPR e um código de barras molecular. As células são coradas e fotografadas, e depois o código é lido ali mesmo, por sequenciamento in situ, em cerca de treze rodadas de química. Uma placa passa mais de uma dúzia de vezes pelo microscópio e gera mais de 200.000 imagens. O resultado é uma linha por célula: o que foi feito com ela e o que aconteceu. O texto afirma que a imagem custa cerca de 100 vezes menos por célula que outras medições de célula única de alto conteúdo.

Boa parte do texto trata de falhas físicas. Um braço robótico arremessou uma placa porque a vedação deixava adesivo que colava a tampa. Esse selador era o conserto de um problema anterior, placas de vidro de 170 mícrons rachando. Houve também falhas silenciosas: um primer mal rotulado, uma porta USB defeituosa e um driver de câmera que deslocava imagens em um quadro. A lição do autor é medir, estabilizar e só então otimizar e escalar. Um exemplo é a linhagem A549, cuja média de desempenho subiu para 71% após quatro intervenções.

Para quem trabalha com dados e IA, a leitura é que o gargalo de modelos aplicados à biologia pode estar na qualidade da medição, não no algoritmo. Um modelo não distingue biologia de deriva experimental e se agarra ao sinal mais forte. A prática descrita (instrumentar tudo, tornar falhas silenciosas barulhentas, validar antes de escalar) lembra observabilidade e controle de qualidade de pipelines de dados, só que com vidro, reagentes e células vivas.