Laboratório autônomo OpenAI Ginkgo reduz custo em 40%
O laboratório autônomo OpenAI Ginkgo, cujos resultados foram publicados em fevereiro de 2026, ligou o GPT-5 ao laboratório robótico em nuvem da Ginkgo Bioworks, em Boston, e reduziu em 40% o custo da síntese de proteínas sem células em relação ao estado da arte anterior. Em seis rodadas, o modelo projetou mais de 36.000 reações e os robôs as executaram. Para empresas que dependem de pesquisa de laboratório, o caso mostra um modelo de IA baixando o custo dos experimentos ao escolher quais rodar.
Por que a síntese de proteínas sem células é difícil de melhorar
A síntese de proteínas sem células é cara de ajustar porque a receita tem peças demais. O método, conhecido como CFPS, produz proteínas sem cultivar células vivas: a maquinaria de produção de proteínas de dentro das células é levada para uma mistura controlada e funciona ali. É usado no desenvolvimento de medicamentos, em diagnósticos e na produção de enzimas industriais, e na fabricação comercial de um conjugado anticorpo-fármaco.
Cada mistura combina moldes de DNA, extratos celulares chamados lisados, fontes de energia, sais e cofatores. O espaço de composições possíveis é enorme, pequenas mudanças são difíceis de prever, e tentativas anteriores com aprendizado de máquina trouxeram só ganhos incrementais. Na biologia, toda ideia precisa ser testada em laboratório, onde os experimentos custam tempo e dinheiro.
O que a OpenAI e a Ginkgo Bioworks construíram
A OpenAI ligou seu modelo GPT-5 ao laboratório em nuvem totalmente automatizado da Ginkgo Bioworks, em Boston, e as empresas publicaram os resultados em fevereiro de 2026. O arranjo é um ciclo fechado: o GPT-5 escreve os projetos de experimento como arquivos digitais, um sistema de validação construído na biblioteca Python Pydantic verifica se cada projeto é cientificamente correto e executável com o equipamento disponível, e só então o laboratório o executa.
No laboratório, unidades robóticas modulares chamadas Reconfigurable Automation Carts, ou RACs, fazem o trabalho. Cada carrinho abriga um instrumento, como um manipulador de líquidos, uma incubadora ou um aparelho de medição, enquanto braços robóticos e trilhos de transporte movem as placas de amostras entre eles. O software Catalyst, da Ginkgo, controla o fluxo de trabalho, e os resultados voltam ao GPT-5, que os analisa e projeta a rodada seguinte.
Como o laboratório funcionou de rodada em rodada
As pessoas cuidaram do preparo e da carga e descarga de reagentes e consumíveis. Em seis rodadas e seis meses, o sistema produziu cerca de 150.000 pontos de dados.
Não foi totalmente autônomo. No começo, resultados da mesma placa às vezes diferiam em mais de 40%, e a equipe da Ginkgo teve de ajustar à mão as concentrações de reagentes e as soluções-estoque, o que levou o desvio mediano a 17%. Os maiores ganhos vieram a partir da rodada 3, quando o GPT-5 ganhou acesso a um computador, à internet, a pacotes de análise de dados e a um preprint recente de pesquisadores da Northwestern University. Em dois meses, nas rodadas 3 a 5, o sistema superou o melhor resultado anterior. O molde de DNA e o lisado foram melhorados ao mesmo tempo, então nem todo o ganho pode ser creditado ao modelo.
O que o laboratório autônomo mediu
O sistema testou mais de 36.000 composições de reação em 580 placas automatizadas. O custo de produção da proteína de teste, a sfGFP, caiu de 698 para 422 dólares por grama, uma redução de 40% em relação ao estado da arte anterior, publicado por pesquisadores da Northwestern em agosto de 2025. O rendimento de proteína subiu 27%, de 2,39 para 3,04 gramas por litro, e só o custo dos reagentes caiu 57%, de 60 para 26 dólares por grama.
Os erros foram raros: de 480 placas projetadas pelo GPT-5, duas tinham falhas básicas de projeto. Os limites são maiores. Todos os resultados vêm de uma proteína e de um sistema CFPS, e num teste com outras doze proteínas só seis puderam ser detectadas.
O que isso significa para empresas que fazem pesquisa de laboratório
Para um negócio baseado em laboratório, o resultado mostra onde um modelo de IA economiza dinheiro: na escolha de quais experimentos rodar. O GPT-5 também observou que mais de 90% do custo de uma reação agora vem do lisado e do DNA, então aumentar o rendimento por unidade desses insumos importa mais do que reduzir ingredientes mais baratos.
A Ginkgo está transformando o trabalho em seu negócio principal. Diz que está ampliando seu laboratório autônomo de Boston para mais de 50 RACs, com mais 50 esperados até o fim de 2026, e vendendo o laboratório tanto como serviço em nuvem quanto como sistemas montados nas instalações dos clientes. Ganhou um contrato de 47 milhões de dólares por um laboratório autônomo de 97 instrumentos para o Pacific Northwest National Laboratory. A mudança vem depois de a receita do ano inteiro de 2025 cair 25%, para 170 milhões de dólares.
"Este ano, vamos nos concentrar em investir para vencer na categoria de laboratórios autônomos." — Jason Kelly, cofundador e CEO da Ginkgo Bioworks
Perguntas e respostas
Quanto o GPT-5 reduziu o custo de produção de proteínas?
O custo de produzir a sfGFP caiu de 698 para 422 dólares por grama, 40% abaixo do estado da arte anterior. Só o custo dos reagentes caiu 57%.
Quão autônomo foi o laboratório da OpenAI e da Ginkgo?
O GPT-5 projetou os experimentos e analisou os resultados, e os robôs os executaram. As pessoas prepararam e carregaram reagentes e consumíveis, e a equipe da Ginkgo ajustou as concentrações de reagentes à mão para reduzir a variabilidade.
O resultado vale para outras proteínas?
Ainda não. Todos os resultados vêm de uma proteína, a sfGFP, e num teste com outras doze proteínas só seis puderam ser detectadas. Seria preciso mais otimização para outros alvos.
A visão da MOZGII
Como nós construiríamos
A parte útil deste caso não é que um modelo rodou um laboratório. É a verificação entre o modelo e os robôs. Todo projeto que o GPT-5 escreveu passou por um validador antes de qualquer equipamento se mexer, e é isso que copiaríamos primeiro. Se fôssemos construir um sistema assim para um time de pesquisa, começaríamos pela lista do que o laboratório pode fazer fisicamente: volumes, instrumentos, formatos de placa e os reagentes em estoque.
Deixaríamos o modelo propor experimentos num formato fixo, checaríamos cada um contra essa lista em código e enviaríamos aos robôs só placas válidas. Um cientista revisaria as anotações do modelo após cada rodada e aprovaria a seguinte. Guardaríamos todo resultado bruto, inclusive placas com falha e relatórios de erro dos equipamentos, porque o caso mostra que o modelo melhorou mais depois de ver esse detalhe.
O plano quebraria onde a medição é ruidosa. Quando a mesma placa dá respostas diferentes, o modelo aprende com ruído, e neste caso as pessoas tiveram de corrigir os insumos à mão. Também quebraria quando uma receita ajustada para uma proteína fosse usada em outra.
O número que acompanharíamos é o custo por grama da proteína-alvo, medido do mesmo jeito em toda rodada. Depois, montaríamos o mesmo ciclo para uma segunda proteína antes de confiar em qualquer receita além da primeira.
Fontes
De onde vêm os fatos desta matéria.