Pesquisadores da Universidade de Stanford lançaram o Paper2Agent, um sistema que converte artigos científicos e seus códigos associados em agentes de inteligência artificial executáveis. A ferramenta, publicada na revista Nature em 16 de setembro de 2026, elimina a necessidade de pesquisadores clonem, instalem, configurem e depurem manualmente o código contido em publicações científicas. O sistema foi liderado por Jiacheng Miao e James Zou.
Paper2Agent funciona convertendo um artigo de pesquisa e sua base de código em um servidor de Protocolo de Contexto do Modelo (MCP, na sigla em inglês). Qualquer agente compatível com MCP, como o Claude Code, pode então executar os métodos descritos no papel através de linguagem natural. Os criadores descrevem o resultado como um “autor correspondente virtual”.
Como funciona a transformação de artigos em agentes
O sistema funciona através de um orquestrador central que distribui sub-agentes especializados em 6 etapas sequenciais:
- Localização e download: O sistema encontra e baixa a base de código do artigo.
- Gerenciamento de ambiente: Um gestor de ambiente constrói um ambiente virtual isolado.
- Varredura de tutoriais: Um scanner indexa tutoriais utilizáveis.
- Execução de tutoriais: Os tutoriais são executados de ponta a ponta e as saídas de referência são registradas.
- Extração de ferramentas: Os tutoriais são convertidos em ferramentas MCP parametrizadas.
- Verificação de testes: As ferramentas são validadas antes da integração final.
O orquestrador monta as ferramentas validadas em um único servidor MCP. A validação é rigorosa: uma ferramenta passa apenas quando os arquivos esperados aparecem e os números correspondem dentro de 3%. As figuras também devem corresponder às referências por hash perceptual, com distância de Hamming inferior a 20. O verificador tem até 6 tentativas por função. Ferramentas que continuam falhando são excluídas do servidor final.
Cada servidor expõe três componentes: ferramentas MCP que envolvem os métodos do artigo como funções executáveis, recursos MCP que contêm o manuscrito, links de código, conjuntos de dados e figuras, e prompts MCP que codificam fluxos de trabalho com múltiplas etapas.
Resultados em testes e aplicações práticas
A equipe de pesquisa utilizou Claude Sonnet 4 em todas as aplicações Paper2Agent. Em testes abrangentes, o sistema demonstrou resultados significativos:
AlphaGenome: Paper2Agent construiu 22 ferramentas em aproximadamente 45 minutos por US$ 14. Todas as 22 ferramentas passaram na validação sem intervenção humana. Em consultas de tutorial, o tempo de execução mediano caiu 1,9 vez em comparação com Claude Code mais acesso ao repositório, e 3,1 vezes comparado com Biomni. O agente também reexaminou uma variante de colesterol LDL (chr1:109274968:G>T) e classificou SORT1 como o gene causal provável, diferindo da ênfase original do artigo AlphaGenome em CELSR2 e PSRC1.
Scanpy: O agente Scanpy recebeu 7 ferramentas validadas em aproximadamente 45 minutos por US$ 13. Em 4 conjuntos de dados públicos, correspondeu aos pesquisadores humanos em contagens de células, contagens de genes e genes marcadores principais.
TISSUE: Um agente TISSUE reproduziu resultados humanos em dados de transcriptômica espacial.
Testes em larga escala: Os testes cobriram 3 corpora sem limpeza manual. Em 100 artigos computacionais de bioRxiv, 74 foram convertidos em agentes e 593 de 599 ferramentas propostas passaram na validação. Em 300 questões, Paper2Agent obteve 91,2% de acurácia, comparado com 80,3% para Claude Sonnet 4 e 86,3% para Sonnet 4.6 com acesso ao repositório. O custo por consulta foi de US$ 0,20 e 1,6 minutos, em comparação com US$ 0,38 e 4,3 minutos para os métodos convencionais.
Aplicação em descoberta científica multi-agente
O sistema demonstrou capacidade de operar como “co-cientista de IA” quando múltiplos agentes foram conectados. Em um estudo, a equipe conectou três agentes: AlphaGenome, um ensaio de scCRISPRi acoplado a MPRA e um conjunto de dados Perturb-seq de células T CD4+. AlphaGenome identificou GPR137 em um locus de psoríase com uma pontuação de quantil de RNA-seq de 0,997. O agente propôs 10 estratégias de validação. Quando um pesquisador escolheu correlação de assinatura, apenas o knockdown de GPR137 correspondeu à assinatura de perturbação CRE, com correspondência significativa sob estimulação (Spearman de 0,613 em Stim8hr e 0,630 em Stim48hr).
Em um segundo estudo, Paper2Agent foi associado a um GWAS de TDAH e nomeou rs1626703 entre 209 candidatos. Essa hipótese ainda precisa de validação experimental. A robustez do sistema também foi demonstrada: Paper2Agent rejeitou 100% das consultas fora do escopo em um teste de permutação e se recuperou de falhas injetadas de dependência, caminho de arquivo, digitação e API descontinuada.
Disponibilidade e licença
O código de Paper2Agent é licenciado sob MIT e pode ser instalado como uma habilidade para Claude Code ou Codex. Versões pré-construídas de servidores AlphaGenome, Scanpy e TISSUE estão disponíveis no Hugging Face Spaces. Uma versão hospedada também está disponível em paper2agent.ai.
Análise Panorama IA
Paper2Agent aborda um problema prático real na ciência: a distância entre método publicado e método reprodutível. Historicamente, código de pesquisa em PDFs permanecia inacessível não porque os autores o recusassem, mas porque o custo de configuração era proibitivo para a maioria dos leitores. Ao automatizar a extração, validação e exposição de métodos como ferramentas de linguagem natural, o sistema reduz significativamente esse atrito.
Os números são relevantes: 91,2% de acurácia em 300 questões, 74 de 100 artigos agentificados com sucesso, e custos por consulta 50% menores que abordagens sem Paper2Agent indicam que o sistema não é apenas viável, mas competitivo em escala. A recuperação automática de falhas de dependência, API descontinuada e tipografia sugere robustez além de casos ideais.
A aplicação em descoberta científica é particularmente significativa. GPR137 como candidato causal para psoríase em rs887314 não foi identificado no método original, mas emergiu quando o agente foi aplicado. Isso não prova que GPR137 é o gene causal—ainda há necessidade de validação experimental—mas demonstra como agentes multidisciplinares podem gerar hipóteses derivadas de dados existentes sem entrada humana manual.
Limitações a observar: primeiro, Paper2Agent ainda depende de código legível e bem estruturado no artigo original. Código obscuro ou descuidado limitará a qualidade das ferramentas extraídas. Segundo, a validação através de hash perceptual e diferença numérica de 3% funciona bem para resultados determinísticos, mas pode não capturar questões sutis em modelagem estocástica ou aproximações. Terceiro, a cobertura atual é 74 em 100 artigos de bioRxiv—26% de perda sugere que nem toda pesquisa é adequada para agentificação automática.
O impacto potencial estende-se além da biologia computacional. O sistema funcionou em 10 artigos não-biológicos, incluindo TabPFN e SAM 2, com 98,1% de acurácia em 42 tarefas de execução, indicando que o padrão pode generalizar. Se Paper2Agent atingir adoção significativa, poderia acelerar ciclos de validação cruzada entre campos e reduzir o tempo entre publicação e reutilização prática de métodos.
Fonte: MarkTechPost
Sobre o autor
