Gemma 4 e BOTANIC-1 aceleram decodificação de DNA vegetal

O gargalo do melhoramento genético vegetal

O melhoramento moderno de culturas depende de identificar causalidade: por que uma fileira de meloeiros colapsa na seca enquanto a vizinha prospera, ou como uma única alteração genética muda a arquitetura floral e multiplica a produção. O método tradicional, a Bulk Segregant Analysis, cruza linhagens parentais opostas, cultiva a prole por uma estação de crescimento, agrupa as plantas por característica e sequencia os genomas. O resultado reduz a característica a uma região cromossômica ampla, mas deixa dezenas de milhares de mutações candidatas sem anotação - mapear qual delas é a causa exige, historicamente, anos de experimentos de campo, cruzamentos sazonais e triagens em estufa.

A arquitetura modular de Living Models

Para acelerar esse processo, o laboratório de biologia com IA Living Models, de Paris, testou uma arquitetura modular que combina o Gemma 4 com o BOTANIC-1, um modelo de fundação treinado especificamente em genomas vegetais. A questão que motivou a abordagem: por que não treinar um modelo generalista como o Gemma diretamente em DNA? A empresa aponta contrapartidas - a tokenização orientada a texto pode ser ineficiente para sequências de nucleotídeos, suportar entradas longas não captura interações regulatórias de longa distância, e o ajuste fino genômico corre o risco de erosionar as faculdades de raciocínio, código e uso de ferramentas do modelo. Em contrapartida, modelos genômicos especializados como o BOTANIC-1 são difíceis de implantar e consultar para pesquisadores não técnicos.

A solução é emparelhar os dois: o Gemma 4 E4B atua como orquestrador bioinformático autônomo, escrevendo pipelines de terminal e executando chamadas de ferramentas, enquanto o BOTANIC-1, pré-treinado em 320 espécies de plantas, avalia restrições evolutivas profundas. Como modelos maiores apenas adicionavam sobrecarga operacional sem melhorar a precisão, a Living Models executa o E4B localmente via Ollama em uma única GPU NVIDIA L4, mantendo genomas proprietários soberanos e reduzindo custos.

Experimento A: ferramentas clássicas atingem um teto

O caso de teste foi uma descoberta liderada pelo Dr. Adnane Boualem, diretor de pesquisa do INRAE: uma troca de um único nucleotídeo no gene CmEIN3 do melão altera o sexo das flores de feminino para hermafrodita, o que afeta eficiência de polinização e produtividade. O mapeamento padrão reduziu o campo de 47.492 variações no genoma para 3.061 candidatas regionais no Cromossomo 2 - mas ali a genética clássica esbarra no desequilíbrio de ligação: como o DNA é herdado em blocos contíguos, mutações neutras "caronam" junto com a causa e co-segregam de forma idêntica, impedindo que ferramentas estatísticas as separem.

Usando apenas utilitários clássicos de linha de comando (bcftools, Ensembl VEP), o Gemma 4 agiu como um bioinformata autônomo, formulou planos, aplicou filtros de cobertura e demonstrou resiliência agêntica ao se recuperar de erros de sintaxe em 9 de 16 instâncias. Em suas melhores execuções, reduziu o conjunto a duas mutações de codificação com pontuação idêntica: a CmEIN3 validada e um gene não relacionado. Scripts determinísticos sem o modelo reproduziram o mesmo impasse, provando que o teto é das ferramentas clássicas, não da IA.

Experimento B: o BOTANIC-1 desempata

No segundo cenário, o Gemma 4 recebeu uma única ferramenta especializada: a função de pontuação local do BOTANIC-1, que usa a razão de log-verossimilhança (LLR) entre as probabilidades atribuídas ao alelo alternativo e ao de referência dado o contexto genômico (Benegas, G. et al., PNAS, 2023). A métrica funciona como escore de restrição evolutiva: posições de nucleotídeos conservadas por milhões de anos produzem pontuações fortemente negativas quando alteradas.

O Gemma 4 filtrou 567 inserções, deleções e rearranjos e encaminhou 2.494 mutações de nucleotídeo único ao BOTANIC-1. A mutação CmEIN3 validada ficou em primeiro lugar entre as 2.494 candidatas, sem empates. Com o par Gemma 4 + BOTANIC-1, o Recall@1 subiu de 0,00 (sem orientação) e 0,15 (orientado por especialista) para 0,90, sem variantes fabricadas em 20 execuções (contra 3 e 4 de 20 com ferramentas clássicas).

Em um benchmark retrospectivo com mais de 500 mutações causais publicadas e validadas experimentalmente, o BOTANIC-1 superou ferramentas clássicas e modelos biológicos como PlantCAD2 e Evo2: colocou a mutação verdadeira no top 0,1% dos candidatos em 15,9% dos casos (contra 4,6% do melhor baseline sem GLM) e no top 1% em 48,8% (contra 33,9% dos pipelines clássicos).

Um modelo replicável para IA científica

A Living Models apresenta a abordagem como um modelo replicável: separação de responsabilidades entre modelos de raciocínio generalistas, que fazem a orquestração cognitiva, e modelos de fundação especializados, que codificam as restrições físicas e evolutivas da natureza. Com modelos leves, laboratórios agrícolas podem executar os pipelines agênticos localmente, mantendo a propriedade intelectual soberana. Segundo Boualem, a oportunidade real da IA é reduzir drasticamente o espaço de busca, indicando quais constructos validar primeiro em vez de cultivar milhares de plantas por anos. A empresa contextualiza o trabalho diante das mudanças climáticas e da segurança alimentar global, argumentando que o melhoramento de culturas não pode mais avançar no ritmo de tentativa e erro plurianual.