Agente de IA faz 20 injeções em LC-MS e ranqueia oxidantes sem acessar o equipamento

Tema: Agentes de IA

▶ Veja o resumo em vídeo no YouTube: assista aqui

Um agente de inteligência artificial submeteu 20 injeções a um cromatógrafo líquido acoplado a espectrômetro de massa (LC–MS) real, decidiu quais poços de uma placa de 28 amostras medir, interpretou os espectros e produziu um ranking de oxidantes — sem nunca ter acesso direto ao equipamento. O ranking coincidiu com o obtido por integração de picos feita por script, e três químicos orgânicos revisaram de forma independente a atribuição do produto feita pelo agente [1].

O trabalho, assinado por Yimeng Liu, Eric Isbrandt, Felix Katzenburg, Kevin P. Greenman, Han Hao, Yang Cao, Varinia Bernales e Alán Aspuru-Guzik, reúne pesquisadores da Universidade de Toronto, do Acceleration Consortium, do Vector Institute, da NVIDIA, do CIFAR e do Catholic Institute of Technology. Foi depositado no arXiv em 18 de novembro de 2026 e, por ser um preprint, ainda não passou por revisão por pares [1].

A tese central é que raciocínio analítico não basta para tornar um laboratório autônomo. Para os autores, a autonomia de um self-driving laboratory (SDL) só existe quando o agente pode ser confiado a agir sobre hardware físico sem supervisão constante e, ao mesmo tempo, sabe quando recorrer a um humano [1].

O gargalo entre analisar e desenhar

O ciclo de um SDL costuma ser descrito pela sigla DMTA — Design, Make, Test, Analyze (desenhar, fabricar, testar, analisar). A automação avançou nas etapas de fabricação e teste, mas a passagem da análise para o próximo desenho experimental continua frágil. Segundo os autores, essa transição exige interpretar resultados à luz de experimentos anteriores, dos objetivos da campanha e de restrições práticas, e então escolher o que medir em seguida [1]. Sistemas rígidos baseados em regras têm dificuldade com resultados inesperados — e é aí que entram os agentes, desde que contidos.

A arquitetura proposta tem três camadas: uma sala de projeto compartilhada e supervisionada por humanos, um agente que interpreta o contexto científico e da campanha, e serviços de laboratório que validam e executam as requisições aprovadas. O princípio é explícito: o agente pode propor uma ação que altera o estado do laboratório, mas não pode contornar os serviços que a autorizam [1].

Antes da campanha, o agente redige, a partir dos requisitos do especialista, limites operacionais: objetivo, métrica, método instrumental, volume de injeção, orçamento de injeções e poços permitidos. O especialista aprova esses limites e, separadamente, habilita a execução. Daí em diante, o agente seleciona, submete e interpreta medições sem pedir aprovação a cada iteração, mas o especialista pode revogar a execução ou pará-lo a qualquer momento [1].

Como o pedido do agente chega ao instrumento

O PC de controle roda o software do fabricante e o MoSeS, framework Python de código aberto do grupo, que controla o instrumento amostra por amostra. Um serviço auxiliar ("sidecar") cuida de status, reserva do equipamento, fila e lista de métodos aprovados. As corridas vão para um banco PostgreSQL, e o registro da sala, das chamadas de ferramenta e da campanha fica em MongoDB. O agente ainda conta com busca de literatura no OpenAlex, ferramentas de análise de LC–MS e as bibliotecas RDKit e PubChemPy [1].

Antes de virar comando, cada requisição passa por quatro verificações em sequência: no processo do agente (argumentos, botão de emergência, limites aprovados, contrato do método), no backend (escopo do projeto, existência da amostra), no serviço do dispositivo (reserva, métodos aprovados, capacidade da fila, estado do equipamento) e uma checagem final da submissão [1]. Falhas voltam como mensagens de erro estruturadas, às quais o agente precisa reagir.

O experimento: seis oxidantes e um corante

O teste escolhido foi o acoplamento oxidativo da p-toluidina em 4,4'-dimetilazobenzeno, um composto azo. A reação é conhecida, mas, segundo os autores, essa triagem específica ainda não havia sido feita em um SDL [1]. O sistema é traiçoeiro: dependendo do oxidante e da quantidade, a p-toluidina pode formar o produto desejado, outros produtos de oxidação ou ser consumida com pouco produto-alvo. Por isso, a conversão sozinha não serve para ranquear condições [1].

Foram seis sistemas oxidantes — H₂O₂, Oxone®, persulfato de amônio, KMnO₄, TEMPO/NaOCl e TEMPOL/NaOCl —, cada um em 0,5, 1, 2 e 4 equivalentes em relação à p-toluidina, mais quatro controles: 28 poços numa única placa. As amostras foram analisadas num UPLC Agilent 1290 Infinity II com detector de arranjo de diodos e espectrômetro de massa de quadrupolo simples, com gradiente de 7 minutos [1].

Os números da campanha física

A campanha produziu dados utilizáveis em 26 dos 28 poços. Doze injeções ocorreram fora dela (11 antes da aprovação e um branco de solvente); a campanha em si usou 20 injeções, dentro do limite, que foi ampliado para 30 [1]. O agente escolheu a ordem das medições, sinalizou os poços B2 e C4 como possíveis falhas de transferência de amostra e marcou F2 como coleta de baixa qualidade [1].

O KMnO₄ deu a maior resposta de produto, com o poço E4 (4 equivalentes) como o mais forte. Os melhores poços de Oxone®, TEMPO/NaOCl e TEMPOL/NaOCl ficaram entre 6,8% e 8,2% da resposta de E4 na quantificação do agente, e entre 7,4% e 8,2% numa integração independente no software do fabricante. Com incerteza relativa estimada em cerca de 13%, esses três não puderam ser ordenados entre si com confiança. Persulfato de amônio e H₂O₂ ficaram em cerca de 1% ou menos [1].

Um detalhe reforça a tese: os sistemas com hipoclorito consumiram quase todo o substrato, mas geraram muito menos produto que o KMnO₄. Uma métrica ingênua de conversão teria escolhido condições piores [1].

A identificação do produto se apoiou no íon [M+H]⁺ em m/z 211 e em evidências cromatográficas, isotópicas e de controles. Nas condições mais fracas, razões isotópicas incompatíveis revelaram uma impureza saindo junto, e o agente passou a tratar essas respostas como limites superiores. Um padrão autêntico sintetizado pelo grupo reproduziu as assinaturas do produto [1].

No total, o agente fez 465 chamadas de ferramenta na sala principal. As checagens bloquearam ou adiaram 12 requisições: nove dentro do próprio processo do agente e três no serviço do instrumento — por motivos como execução desabilitada, conflito de reserva, chamada repetida, poço já na fila e fila cheia [1]. No período mais longo sem mensagem do pesquisador, de 8 horas e 27 minutos, o agente submeteu 13 poços e analisou 16 resultados [1].

Quando o orçamento de injeções aperta

Como todos os poços acabaram medidos, a campanha física não mostra como o agente escolhe sob restrição. Para isso, os pesquisadores reaproveitaram os dados da placa num simulador: mesmo agente, mesmas ferramentas e checagens, mas o instrumento só devolvia o arquivo já adquirido de um poço quando o agente o selecionava [1].

Foram 23 campanhas simuladas, com orçamentos de 1 a 28 injeções; o sucesso era apontar E4 como o melhor poço. Com 1 ou 2 injeções, nenhuma acertou; com 4, duas de três; com 8 ou mais, todas. O agente costumava medir a melhor condição por volta da sétima injeção e, com 12 ou mais, todas as campanhas recuperaram o ranking completo dos seis sistemas [1].

Para comparação, uma escolha aleatória de $b$ poços entre os 28 da placa contém o melhor deles com probabilidade

$$P = \frac{b}{28}$$

o que dá cerca de 14% com $b = 4$, 29% com $b = 8$ e 43% com $b = 12$. Numa ordem aleatória, o melhor poço só seria medido, em média, na 14,5ª injeção [1]. Os autores ressaltam que o sorteio é uma referência simples, não uma comparação justa com estratégias como otimização bayesiana, que ficaram fora do escopo [1].

Há um custo: com orçamentos de 8 a 24 injeções, o raciocínio do agente somou de 10 a 24 minutos por campanha. Com aquisição simulada de 15 minutos por injeção, a economia de cerca de 7,5 injeções em relação ao sorteio equivale a quase duas horas de instrumento [1]. Em equipamentos muito mais rápidos, porém, o raciocínio pesaria mais. E, curiosamente, com orçamento de 28 injeções o agente percorreu a placa em sequência e só chegou à melhor condição na 21ª injeção — o orçamento molda o comportamento de busca, observação que, segundo os autores, ainda precisa de réplicas [1].

Limitações

A autonomia demonstrada está só na interface entre análise e desenho, não no ciclo completo. Humanos prepararam a placa, aprovaram os limites, habilitaram a execução e estenderam a campanha a todos os poços; o agente não sintetizou nenhuma reação [1]. O estudo cobre um sistema de reação, um instrumento, uma campanha e um único modelo de linguagem, o Claude Opus 5 [1].

O botão de emergência não foi testado na operação física. E não havia como emendar uma campanha aprovada pela interface: quando o pesquisador elevou o limite de 20 para 30 injeções, cerca de 20 minutos após a aprovação, a mudança foi gravada direto no registro, fora do fluxo formal — falha que o próprio artigo expõe [1]. As checagens, além disso, são operacionais, não químicas: controlam o que chega ao instrumento, não se um experimento é perigoso [1].

Conclusão

O valor do trabalho está menos no resultado químico e mais no desenho das fronteiras: é possível dar a um agente poder real de decisão científica, com trilha de auditoria completa e execução condicionada a aprovação explícita, sem exigir um humano a cada passo. A lição para quem constrói esses sistemas é que a confiabilidade não se resolve no prompt, e sim na mediação — validação determinística, permissões, contratos de método e limites aplicados por serviços que o agente não pode contornar.

Os autores propõem acoplar a arquitetura ao El Agente Seguro, para avaliar riscos químicos antes da aprovação dos limites, e ao La Agente Óptima, que conduz campanhas de otimização bayesiana [1]. O próximo passo é levar o fluxo à etapa de preparação de amostras e validá-lo num segundo sistema de reação e num segundo instrumento [1]. Nesta demonstração, a cerca funcionou; a pergunta em aberto é se ela se sustenta quando o agente deixar de escolher qual poço medir e passar a escolher o que sintetizar.

Referências

[1] Closing the Analyze-to-Design Gap: An Authorization-Bounded Agent for Self-Driving Laboratories — https://arxiv.org/abs/2611.25043

Fale com a Eliza
E

Eliza

Agente assistente