Descoberta de Enzima pela Anthropic Claude Lembra CRISPR, mas a Função Ainda É Desconhecida

A Anthropic afirma que Claude encontrou autonomamente um sistema enzimático antes não caracterizado, após cerca de 950 sessões de agentes pesquisarem dados biológicos por 21 horas. A descoberta de enzima pela Anthropic Claude se assemelha ao CRISPR em um aspecto estrutural importante, mas nenhum experimento demonstrou que ela edite genes.

Essa distinção separa uma pista científica intrigante da ferramenta sugerida por algumas manchetes iniciais. A Anthropic chama o sistema de transcriptases reversas associadas a arrays, ou ARTs. Seus pesquisadores encontraram genes de transcriptase reversa ao lado de arrays repetitivos de DNA em bacteriófagos, vírus que infectam bactérias.

O resultado é a primeira descoberta pública da Anthropic a partir de um grupo de pesquisa em ciências da vida formado na primavera de 2026. Ele também testa uma proposição mais ampla: se agentes de IA de propósito geral conseguem notar anomalias biológicas, investigá-las e entregar aos cientistas candidatos que valham ser testados. Claude passou nesse teste uma vez, mas não conseguiu redescobrir o array definidor em dez execuções posteriores da campanha.

O que a Descoberta de Enzima pela Anthropic Claude Realmente Encontrou

Claude encontrou uma nova organização biológica, não um substituto funcional para CRISPR.

A Anthropic anunciou o resultado em 23 de setembro de 2026, junto com seu novo laboratório de biologia molecular na Bay Area. Segundo o anúncio do sistema enzimático da empresa, o laboratório realiza trabalhos de menor risco em BSL-1 e BSL-2. Cientistas humanos executam todos os experimentos físicos.

A campanha computacional começou com uma diretriz de pesquisa de alto nível. Claude recebeu a tarefa de procurar sistemas incomuns de transcriptase reversa. Uma transcriptase reversa, ou RT, é uma enzima que copia RNA para DNA.

Os agentes reuniram mais de 198.000 clusters de RT e examinaram milhares de famílias de proteínas vizinhas. A campanha completa consumiu 215,6 milhões de tokens em 949 sessões de agentes, segundo o relatório técnico sobre ART da Anthropic. Ela levou 21,5 horas de tempo decorrido e representou 77 horas totais de agentes.

O resumo público da Anthropic arredonda esses números para aproximadamente 200.000 RTs, 950 agentes e 210 milhões de tokens. Esses números descrevem a escala da busca. Eles não estabelecem que 950 cientistas de IA independentes tenham investigado simultaneamente o problema.

Os “agentes” eram sessões de modelo coordenadas por meio de uma estrutura de pesquisa. Uma sessão podia planejar uma tarefa, outra podia revisá-la, e qualquer uma delas podia abrir tarefas de acompanhamento. Essa estrutura permitiu que Claude explorasse vários caminhos sem que um cientista direcionasse cada decisão intermediária.

A diretriz original se concentrou em novos genes parceiros localizados ao lado de transcriptases reversas. Claude classificou 3.564 famílias de proteínas como possíveis parceiras e, em seguida, conduziu investigações mais aprofundadas. Três associações sobreviveram à revisão como relações de RT não relatadas anteriormente.

ART surgiu por uma rota mais incomum. Um agente investigou uma linhagem de transcriptase reversa associada a fagos gigantes, bacteriófagos com genomas excepcionalmente grandes. A associação proteica esperada pareceu pouco convincente, mas o agente continuou explorando a região genômica ao redor.

Ele carregou DNA bruto a montante em seu contexto de trabalho e notou um array de repetições em tandem. Um locus continha 14 cópias de uma repetição de 16 nucleotídeos, separadas por trechos únicos que mediam aproximadamente 100 a 200 nucleotídeos.

Essa organização evocava o CRISPR porque os sistemas CRISPR também usam DNA repetitivo separado por sequências variáveis. As células transcrevem esses arrays em RNAs menores, que podem orientar proteínas associadas ao CRISPR em direção a material genético correspondente.

O trabalho de laboratório da Anthropic constatou que os arrays de ART também são transcritos em RNAs curtos distintos. Em um conjunto de dados de bacteriófago de Staphylococcus, o RNA derivado do array alcançou até 8 por cento do RNA do fago 15 minutos após a infecção.

Os pesquisadores identificaram 95 clusters distintos de RT relacionados a ART em fagos cultivados e sequências virais previstas. Vinte e oito apresentavam um array de repetições detectável localizado a montante. O sistema geralmente combinava três elementos: uma transcriptase reversa, um gene parceiro adjacente e um array de repetições de DNA espaçadas uniformemente.

Essas observações sustentam a alegação de que ART é um sistema biológico antes não caracterizado. Elas não revelam o que o sistema faz. Os pesquisadores da Anthropic não demonstraram que a transcriptase reversa é ativa, que utiliza os RNAs curtos como substratos ou que ART tenha como alvo outras sequências genéticas.

Isso deixa a possibilidade mais interessante em aberto, em vez de estabelecida. ART pode representar outro sistema molecular programável, ou sua arquitetura semelhante ao CRISPR pode desempenhar uma função muito diferente dentro dos fagos.

Por que a Comparação com CRISPR Importa

A comparação importa porque o CRISPR também começou como um padrão de repetições sem explicação, não porque ART já realize edição genética.

Os cientistas encontraram pela primeira vez aquilo que se tornaria CRISPR ao examinar um gene de Escherichia coli em 1987. Eles notaram uma série incomum de sequências repetidas de DNA, mas não compreendiam sua função. A sequência original do CRISPR90183-4) apareceu anos antes de pesquisadores conectarem essas repetições à imunidade microbiana.

O termo CRISPR surgiu em 2002. Estudos posteriores estabeleceram que bactérias e arqueias armazenam fragmentos de material genético viral entre as repetições. O RNA copiado dessas regiões ajuda proteínas associadas a reconhecer e atacar invasores correspondentes.

Os pesquisadores acabaram adaptando esse mecanismo para edição programável de genomas. A lição histórica não é que todo array de repetições se transforma em uma plataforma de biotecnologia. É que um padrão genômico incomum pode marcar uma maquinaria cuja importância só se torna clara após anos de trabalho experimental.

ART compartilha parte dessa gramática visual. Suas unidades repetitivas são separadas por sequências variáveis, e o array produz RNAs curtos. Essas características justificam investigar se os RNAs orientam ou programam outra atividade molecular.

Várias diferenças também enfraquecem qualquer equivalência direta. O relatório técnico não encontrou genes cas nas proximidades, que codificam as proteínas centrais dos sistemas CRISPR estabelecidos. Os espaçadores de ART também parecem conservados entre fagos relacionados, enquanto os espaçadores de CRISPR normalmente variam conforme os micróbios encontram vírus diferentes.

ART é construída em torno de uma transcriptase reversa, e não de uma nuclease associada ao CRISPR conhecida. Uma nuclease corta ácidos nucleicos, enquanto a transcriptase reversa copia RNA para DNA. Essa diferença significa que ART poderia participar de modificação genômica sem operar como as ferramentas CRISPR conhecidas.

Feng Zhang, pesquisador do Broad Institute e do MIT que ajudou a desenvolver a edição genômica com CRISPR, revisou o preprint antes do anúncio da Anthropic. Ele descreveu os arrays de repetições de RNA associados a transcriptases reversas como genuinamente intrigantes e afirmou que mereciam investigação adicional.

Sua reação sustenta o interesse científico da descoberta. Ela não equivale a uma confirmação experimental independente. Nenhum laboratório externo publicou ainda evidências que estabeleçam a função ou a programabilidade de ART.

Portanto, a comparação funciona melhor como um mapa de pesquisa. CRISPR dá aos cientistas um motivo para perguntar se os RNAs derivados das repetições de ART codificam alvos, orientam uma enzima ou registram informações. Ela não fornece as respostas.

Um grupo de pesquisa separado relatou arrays de RNA não codificante ao lado de outra família de transcriptases reversas. Seu preprint de mineração genômica utilizou um modelo de linguagem genômica desenvolvido para esse fim para identificar padrões estruturais relacionados.

Esse paralelo importa porque sugere que transcriptases reversas ligadas a repetições podem não ser um acidente isolado. Arquiteturas semelhantes podem ter evoluído mais de uma vez, talvez porque resolvam um problema biológico recorrente.

A mesma evidência também torna a alegação da Anthropic menos singular. A mineração de genomas com apoio de IA já vinha sendo aplicada a elementos não codificantes obscuros e às proteínas associadas a eles. A contribuição de Claude está, em parte, no uso de um modelo geral e de uma estrutura de agentes, em vez de um sistema projetado para uma única tarefa genômica.

A descoberta de enzima pela Anthropic Claude é convincente porque o modelo aparentemente notou o array definidor sem receber uma instrução para encontrar repetições. A diretriz de pesquisa visava genes parceiros de RT, e o agente investigou o array após seguir uma pista inicialmente rejeitada.

Isso se assemelha à serendipidade científica. Um investigador busca uma relação, encontra uma anomalia e muda de direção. Se a IA consegue produzir esse padrão de forma confiável é agora mais importante do que saber se uma transcrição bem-sucedida soa humana.

A Disputa Real É Descoberta Confiável Versus Atenção Fortuita

O resultado mais forte da Anthropic é que Claude reconheceu a anomalia; sua maior fraqueza é que o sistema raramente olhou para o lugar certo.

A campanha de descoberta foi autônoma em um sentido limitado, mas significativo. Depois que os pesquisadores forneceram a diretriz inicial, a estrutura operou sem intervenção humana por mais de 21 horas. Claude organizou tarefas, construiu buscas computacionais, rejeitou candidatos fracos e abriu investigações de acompanhamento.

Nenhum cientista instruiu o agente bem-sucedido a inspecionar um array de repetições. O modelo carregou de forma independente a sequência a montante, descreveu o padrão, escreveu código de análise, comparou a estrutura com sistemas conhecidos e preparou um relatório para revisão humana.

Isso é mais do que resumir artigos ou propor um experimento familiar. O sistema passou de um objetivo amplo para uma observação que não havia sido especificada na tarefa original.

No entanto, a Anthropic executou novamente a mesma campanha dez vezes após a descoberta inicial. Nenhuma dessas repetições redescobriu o array.

Várias repetições amostraram sequências relacionadas a ART, e duas investigaram a linhagem relevante. Ainda assim, os agentes não conseguiram carregar a região de DNA a montante que continha as repetições. Claude conseguia reconhecer a característica, mas o fluxo de trabalho não expunha a característica ao modelo de forma consistente.

Essa distinção muda a forma como “descoberta autônoma” deve ser interpretada. A execução bem-sucedida mostra que o modelo possui capacidades úteis de reconhecimento de padrões e acompanhamento. As dez falhas mostram que o sistema de agentes ao redor dele ainda não consegue produzir cobertura confiável.

A Anthropic realizou testes mais controlados para isolar o reconhecimento do comportamento de busca. Os pesquisadores forneceram a sete modelos Claude entradas relacionadas a ART em cinco níveis de detalhe, seja diretamente dentro do prompt, seja por meio de arquivos e ferramentas.

Os modelos mais fortes identificaram o array em pelo menos 90 por cento dos testes quando as sequências relevantes eram colocadas diretamente no contexto. O desempenho caiu quando os modelos precisavam localizar e ler as sequências por meio de ferramentas. Em algumas condições, o reconhecimento caiu para apenas 32 por cento.

Em 39 por cento das tentativas baseadas em arquivos, o modelo nunca leu um trecho contínuo de pelo menos 200 nucleotídeos. Portanto, ele viu muito pouca sequência bruta para reconhecer mais de uma unidade de repetição.

O gargalo não era apenas o raciocínio biológico. Era a gestão da atenção dentro de um fluxo de trabalho aberto.

Um agente tem tempo, contexto e recursos computacionais limitados. Ele precisa decidir quais arquivos abrir, quais regiões inspecionar e quais anomalias merecem outra tarefa. Um modelo capaz ainda pode deixar passar uma descoberta se suas ferramentas resumirem e eliminarem as evidências decisivas.

Isso cria um benchmark mais prático para a ciência com IA. Um sistema de descoberta útil precisa fazer mais do que identificar um padrão quando pesquisadores o colocam à vista. Ele deve navegar repetidamente por um grande espaço de busca e decidir examinar as evidências certas.

Softwares científicos tradicionais costumam lidar com esse problema por meio de pipelines determinísticos. Pesquisadores definem buscas explícitas por sequências repetidas, domínios proteicos, vizinhanças conservadas ou relações evolutivas. Esses métodos são limitados, mas se comportam de forma consistente.

Um agente de IA geral oferece uma vantagem diferente. Ele pode combinar revisão de literatura, geração de código, análise de sequências, formulação de hipóteses e interpretação escrita. Também pode mudar de direção quando um resultado contradiz sua expectativa inicial.

A contrapartida é a variabilidade. Duas execuções podem seguir caminhos diferentes mesmo quando recebem a mesma instrução. Uma sessão pode examinar o DNA bruto, enquanto outra pode aceitar um resumo e seguir adiante.

O resultado da Anthropic, portanto, pressiona tanto laboratórios de IA quanto desenvolvedores de software científico. Agentes gerais precisam se tornar mais reproduzíveis. Ferramentas especializadas precisam se tornar mais fáceis de selecionar e orquestrar por agentes, sem perder as evidências brutas.

Um sistema mais robusto combinaria as duas abordagens. Verificações determinísticas poderiam exigir que os agentes inspecionassem janelas mínimas de sequência, executassem softwares de detecção de repetições e preservassem evidências intermediárias. O modelo de linguagem poderia então se concentrar em selecionar hipóteses e conectar resultados inesperados.

Isso é semelhante a um bom trabalho de conhecimento fora da biologia. Um sistema de IA produz análises melhores quando consegue reter o material-fonte, inspecionar o registro subjacente e conectar descobertas entre tarefas. Uma base de conhecimento de IA estruturada não pode substituir o julgamento especializado, mas pode reduzir a chance de que evidências decisivas desapareçam dentro de um resumo.

Para a Anthropic, a confiabilidade agora importa mais do que outro grande contingente de agentes. Transformar um sucesso entre onze campanhas em um resultado repetível fortaleceria muito mais o argumento a favor da pesquisa autônoma do que ampliar o enxame.

O Laboratório Experimental Restringe a Alegação Sem Resolvé-la

Experimentos físicos confirmaram que os arranjos produzem RNA, mas não estabeleceram a atividade da enzima nem sua finalidade biológica.

Anúncios de biologia com IA frequentemente confundem três conquistas distintas: gerar uma hipótese, validar uma característica observável e provar uma função útil. A Anthropic concluiu partes das duas primeiras etapas para o ART.

A campanha computacional identificou a organização genômica e propôs que ela representa um sistema. Cientistas humanos então testaram se os arranjos de repetições eram expressos. Eles detectaram produtos distintos de RNA curto, sustentando a ideia de que o arranjo participa de um processo biológico ativo.

Essa validação importa. Bancos de dados genômicos contêm erros de sequenciamento, montagens incompletas e padrões sem importância funcional. Observar a expressão de RNA torna mais difícil descartar o ART como um artefato computacional.

Ainda assim, a transcrição por si só não explica o sistema. Regiões de DNA podem produzir RNA sem controlar uma enzima programável. Os pesquisadores ainda precisam determinar se a transcriptase reversa ART copia esses RNAs, se a proteína parceira participa e qual resultado biológico se segue.

O trabalho atual também não conta com replicação independente. A Anthropic publicou um relatório técnico, e não um artigo em periódico revisado por pares. Pesquisadores externos podem examinar seus métodos, mas outro laboratório ainda não reproduziu publicamente as observações bioquímicas.

A empresa merece crédito por documentar resultados desfavoráveis. As dez novas execuções fracassadas e as pontuações mais baixas no benchmark baseado em arquivos complicam sua linguagem de marketing, mas aparecem no relatório.

Essas divulgações permitem que os leitores distingam três alegações.

Primeiro, o Claude encontrou um padrão genômico ignorado durante uma campanha não supervisionada. Os registros e métodos disponíveis sustentam esse relato.

Segundo, o ART é um sistema anteriormente não caracterizado cujos arranjos de repetições produzem RNAs curtos. Os experimentos da Anthropic sustentam essa conclusão, sujeita a replicação externa.

Terceiro, o ART é comparável ao CRISPR como plataforma programável de edição genética. As evidências atuais não sustentam essa conclusão.

A própria Anthropic usa linguagem mais cuidadosa do que alguns resumos. Ela descreve propriedades “que lembram o CRISPR” e afirma que o sistema poderia envolver algo análogo. Também declara que a função primária do ART permanece desconhecida.

A lacuna entre a segunda e a terceira alegação pode exigir um trabalho substancial para ser fechada. Os pesquisadores precisam purificar ou expressar as proteínas relevantes, identificar substratos moleculares, medir a atividade e testar se alterar sequências espaçadoras muda um alvo.

Eles também precisam estabelecer a função natural do ART. Como o sistema parece estar presente principalmente em bacteriófagos, ele pode ajudar vírus a copiar informações genéticas, evitar defesas bacterianas, manipular células hospedeiras ou competir com outros fagos. Cada possibilidade implica um programa experimental diferente.

Segurança e governança importarão se o sistema se tornar programável. A Anthropic afirma que seu laboratório não trabalha com patógenos capazes de infectar humanos. Os experimentos atuais permanecem distantes de uma aplicação clínica ou de edição genética de alto risco.

A empresa também explora maneiras de permitir que agentes de IA operem instrumentos científicos. Sua prévia do padrão de hardware descreve uma interface comum para microscópios, manipuladores de líquidos, braços robóticos e outros dispositivos programáveis.

O ART não surgiu de um laboratório totalmente robótico. O Claude realizou a busca em bancos de dados e auxiliou na análise, enquanto cientistas humanos executaram o trabalho de laboratório experimental. Essa separação é importante porque limita tanto a alegação de autonomia quanto o risco físico imediato.

Combinar análise por agentes com experimentos automatizados criaria um ciclo de descoberta mais completo. Um sistema de IA poderia propor candidatos, solicitar testes, inspecionar resultados e revisar suas hipóteses. Isso também criaria modos adicionais de falha envolvendo controle de instrumentos, contaminação, desenho experimental e objetivos inseguros.

A Anthropic já observou que o Claude pode ter dificuldades com restrições físicas. Em um teste de automação de laboratório, o modelo repetiu uma operação de manipulação de líquidos quando bolhas causaram erros, o que piorou o problema. A orientação humana o ajudou a reconhecer a causa física e ajustar seu comportamento.

Esse exemplo captura a limitação central da ciência com IA atual. Modelos podem raciocinar sobre enormes quantidades de informação simbólica, mas não possuem a intuição física acumulada de um cientista. Um laboratório experimental expõe erros que parecem plausíveis em texto ou código.

O ART é, portanto, um teste inicial útil justamente porque o resultado permanece incompleto. A IA gerou uma pista promissora. Experimentos humanos estabeleceram que parte dessa pista era real. Nenhum dos lados explicou ainda a biologia.

O Que Cientistas e Desenvolvedores de IA Devem Observar em Seguida

Três sinais determinarão se o ART se tornará uma descoberta importante ou permanecerá uma pista instrutiva gerada por IA.

O primeiro sinal é a validação funcional. Os pesquisadores precisam de evidências de que a transcriptase reversa ou sua proteína parceira realiza uma reação mensurável envolvendo os RNAs derivados do arranjo.

Um experimento convincente identificaria o substrato e o produto da enzima. Evidências mais fortes mostrariam que alterar uma repetição ou um espaçador modifica o resultado molecular de forma previsível.

Se o ART se provar programável, a comparação com CRISPR ganha substância. Se seus RNAs não tiverem relação com a atividade da enzima, a comparação se enfraquece, mesmo que o sistema continue biologicamente interessante.

O segundo sinal é a replicação independente. Outro laboratório deve confirmar os produtos de RNA, reconstruir o sistema e testar seus componentes sem depender do fluxo de trabalho interno da Anthropic.

Resultados independentes separariam a biologia da demonstração do modelo pela empresa. A incapacidade de reproduzir as observações exigiria um exame mais atento das condições experimentais, da seleção de sequências e da análise.

A revisão por pares ajudará, mas a publicação por si só não é o limiar decisivo. Experimentos funcionais conduzidos por pesquisadores com incentivos e equipamentos diferentes teriam mais peso.

O terceiro sinal é a reprodutibilidade da campanha. A Anthropic ou outro grupo deve repetir o fluxo de descoberta com salvaguardas que obriguem os agentes a inspecionar a sequência bruta em torno de loci promissores.

Os benchmarks controlados já sugerem uma intervenção direta. Quando o Claude lê o DNA relevante, geralmente reconhece as repetições. Uma estrutura de teste melhor deve tornar essa inspeção sistemática sem transformar o fluxo de trabalho em um script projetado especificamente para encontrar o ART.

Os pesquisadores devem relatar o sucesso em múltiplas execuções, e não apenas a melhor transcrição. Também devem divulgar quantos candidatos exigiram revisão humana, quanto poder computacional cada campanha utilizou e quais decisões automatizadas alteraram o resultado final.

Se um sistema revisado encontrar o ART na maioria das execuções comparáveis, o resultado inicial de um em onze parecerá uma limitação inicial de engenharia. Se o sucesso continuar raro, a descoberta autônoma ainda se parecerá mais com exploração oportunista do que com infraestrutura científica confiável.

Isso não torna a observação original sem valor. A ciência humana também depende do acaso, de uma atenção incomum e de pesquisadores que seguem sinais fracos. Parte do valor da IA pode vir da criação de mais oportunidades para esses momentos.

A questão econômica é se essas oportunidades justificam o custo de selecionar seus resultados. A campanha da Anthropic produziu milhares de associações possíveis e um conjunto muito menor de relatórios que valiam a leitura. Especialistas humanos ainda precisaram avaliar candidatos e conduzir experimentos.

Para cientistas em atividade, a lição imediata é mais restrita do que “a IA pode substituir pesquisadores”. Agentes gerais podem pesquisar literatura, dados genômicos e ferramentas computacionais em uma escala que uma pessoa não consegue sustentar. Eles também podem ignorar evidências óbvias, a menos que os fluxos de trabalho preservem dados brutos e exijam inspeção adequada.

Para desenvolvedores de IA, o ART oferece um benchmark melhor do que uma prosa científica polida. Um agente consegue explorar um espaço de busca aberto, preservar evidências, reconhecer uma anomalia, questionar sua primeira explicação e reproduzir o caminho posteriormente?

Para equipes empresariais e de trabalho do conhecimento, aplica-se o mesmo princípio de design. A qualidade dos agentes depende do acesso a registros originais, decisões rastreáveis e recuperação repetível. Uma base de conhecimento pesquisável útil deve ajudar as pessoas a verificar como uma resposta surgiu, não apenas apresentar uma conclusão confiante.

A descoberta da enzima pela Anthropic Claude já ultrapassou um limiar significativo. O Claude percebeu uma estrutura genômica que os pesquisadores não haviam caracterizado e direcionou a atenção humana para ela.

Ela não ultrapassou os limiares mais difíceis de descoberta repetível, validação independente ou função demonstrada de edição genética. Essas são agora as medições que importam.

Observe os experimentos, não a analogia. Se o ART se provar programável e outros laboratórios o reproduzirem, a Anthropic terá um forte exemplo de IA iniciando uma descoberta biológica consequente. Se a função continuar difícil de determinar, o projeto ainda revelará algo útil: a IA pode gerar pistas científicas, mas a ciência confiável começa quando essas pistas sobrevivem ao contato repetido com as evidências.