APMSR: um sistema inteligente de QA para biologia sintética potencializado por prompting adaptativo e recuperação de conhecimento de múltiplas fontes

Respostas mais inteligentes para um novo tipo de biologia

A biologia sintética promete combustíveis mais limpos, fábricas mais verdes e novos tratamentos médicos, mas a ciência por trás dela avança tão rápido que até especialistas têm dificuldade em acompanhar. Este estudo apresenta o APMSR, um sistema inteligente de perguntas e respostas projetado para ajudar pesquisadores a encontrar rapidamente respostas confiáveis sobre um microrganismo bioenergético importante, Zymomonas mobilis. Ao combinar grandes modelos de linguagem com fontes online e locais selecionadas com cuidado, o sistema busca fornecer respostas precisas e atualizadas em vez de suposições confiantemente erradas.

O desafio de formular boas perguntas

Cientistas já dependem de motores de busca e bancos de dados online, mas essas ferramentas frequentemente devolvem longas listas de artigos em vez de respostas diretas. Grandes modelos de linguagem (LLMs) podem falar fluentemente sobre muitos temas, contudo em áreas de rápida evolução como a biologia sintética podem deixar de incorporar descobertas recentes ou simplesmente inventar informações. Os autores concentram‑se no problema prático de responder perguntas de nível especialista sobre Z. mobilis, uma bactéria valorizada por converter açúcares em etanol com alta eficiência. Nesse contexto, respostas erradas não são apenas incômodas — podem direcionar experimentos e investimentos para rumos equivocados.

Guiando a IA com as instruções certas

Uma ideia central no APMSR é que a forma de perguntar ao modelo importa tanto quanto o conteúdo da pergunta. Em vez de usar uma única instrução fixa, o sistema primeiro solicita ao LLM que identifique que tipo de questão está sendo apresentada — por exemplo, um item de múltipla escolha ou uma afirmação verdadeiro/falso. Uma vez reconhecido o tipo, o APMSR seleciona automaticamente um “modelo de prompt” correspondente que indica ao modelo como raciocinar e como formatar sua resposta. Perguntas de múltipla escolha, por exemplo, são incentivadas a comparar as opções cuidadosamente, enquanto questões verdadeiro/falso são direcionadas a checar a correção de uma afirmação e explicar por quê. Esse prompting adaptativo ajuda a manter o modelo focado e reduz respostas dispersas ou fora do tópico.

Escolhendo o melhor lugar para buscar fatos

Boas instruções por si só não bastam; o sistema também precisa buscar nos lugares certos. O APMSR conecta‑se a três tipos de fontes de informação: uma biblioteca local de artigos científicos curados, recursos web em tempo real e um híbrido que combina ambos. Para cada consulta do usuário, o sistema trata essas três opções como “caminhos” concorrentes e usa uma estratégia matemática chamada LinUCB, originalmente desenvolvida para equilibrar risco e recompensa em problemas de tomada de decisão. O LinUCB pontua quão bem cada caminho parece funcionar com base em perguntas anteriores e seus resultados, então seleciona o caminho mais provável de gerar uma resposta correta, ao mesmo tempo em que ocasionalmente testa alternativas. Ao longo do tempo, esse ciclo de feedback ensina ao sistema quais combinações de fontes tendem a ser mais confiáveis para diferentes estilos de pergunta.

Colocando o sistema à prova

Para verificar se essas ideias realmente ajudam, a equipe construiu um conjunto de teste especializado com 220 perguntas de nível especialista sobre Z. mobilis, divididas igualmente entre formatos de múltipla escolha e verdadeiro/falso, todas derivadas de estudos revisados por pares. Eles compararam três configurações: um LLM puro sem documentos externos, um sistema padrão com recuperação usando apenas um banco de dados local, e o projeto completo do APMSR. A acurácia subiu de 54% no modelo puro para 80% com recuperação padrão, e então para 93% quando prompts adaptativos e o seletor de caminhos baseado em LinUCB foram adicionados. O sistema otimizado também superou um modelo existente focado em biologia sintética chamado SynBioGPT por cerca de 19 pontos percentuais, sugerindo que a orquestração inteligente de prompting e recuperação pode importar mais do que simplesmente treinar um modelo maior.

O que isso significa para o trabalho futuro em laboratório

Para não especialistas, a principal conclusão é que os autores construíram uma espécie de “copiloto de pesquisa” que não apenas se expressa fluentemente, mas também sabe quando checar múltiplas fontes e como estruturar seu próprio raciocínio. Ao ajustar tanto a forma como as perguntas são enquadradas quanto a maneira como a informação é coletada, o APMSR reduz significativamente respostas enganosas em um campo complexo e em rápida evolução. Embora o sistema atual esteja focado em um único microrganismo e em perguntas no formato de questionário, a mesma abordagem poderia ser estendida a áreas mais amplas da biologia e além, ajudando cientistas, engenheiros e, possivelmente no futuro, clínicos a formular melhores perguntas e receber respostas mais confiáveis de ferramentas de IA.

Citação: Wang, J., Cao, Z., Tian, Z. et al. APMSR: an intelligent QA system for synthetic biology empowered by adaptive prompting and multi-source knowledge retrieval. Sci Rep 16, 7331 (2026). https://doi.org/10.1038/s41598-026-38006-8

Palavras-chave: biologia sintética, resposta a perguntas, grandes modelos de linguagem, geração aumentada por recuperação, Zymomonas mobilis