Pesquisadores criam Paper2Agent para converter artigos em agentes de IA

Pesquisadores da Universidade de Stanford e de outras instituições apresentaram o Paper2Agent, um arcabouço de código aberto projetado para transformar artigos científicos acadêmicos em agentes interativos de inteligência artificial. O estudo descrevendo a ferramenta foi publicado na revista Nature em 16 de setembro de 2026. A proposta do sistema é extrair os fluxos de trabalho centrais contidos em relatórios científicos, juntamente com seus códigos-fonte e dados complementares, para gerar um conjunto de ferramentas executáveis que outros cientistas podem aplicar em seus próprios conjuntos de dados.

Segundo os autores da pesquisa, liderada pelo cientista da computação James Zou, o objetivo é mudar a dinâmica das publicações acadêmicas, tornando os registros científicos mais interativos e fáceis de reproduzir. Diferente de plataformas voltadas apenas para responder a perguntas sobre o conteúdo de documentos, os agentes gerados pelo Paper2Agent conseguem rodar diretamente os métodos descritos nos estudos e integrar ferramentas provenientes de múltiplos artigos.

Validação automatizada e integração com assistentes

Durante as demonstrações de prova de conceito focadas em biologia computacional, a equipe utilizou a documentação e o código do AlphaGenome — um modelo de aprendizado profundo focado em prever como mutações no DNA afetam a regulação gênica. Sem intervenção humana, o Paper2Agent gerou 22 ferramentas cobrindo diferentes funções da publicação em cerca de 45 minutos. A operação ocorreu em um notebook pessoal com custo computacional inferior a US$ 15.

Todas as 22 ferramentas foram aprovadas em um processo automatizado de validação mantido por um agente de testes integrado. Esse agente executa os componentes gerados contra resultados de referência e realiza até seis tentativas de autocorreção em caso de erro. As ferramentas validadas foram empacotadas em um servidor no padrão Model Context Protocol e conectadas ao assistente Claude Code. Na avaliação descrita pelos pesquisadores, a solução superou o desempenho do modelo Claude padrão alimentado apenas com a base de código e o da ferramenta especializada Biomni.

Colaboração entre múltiplos agentes e limitações

Os pesquisadores também interligaram o agente do AlphaGenome a agentes criados a partir de outros dois artigos da área médica. Ao serem solicitados a investigar a base genética da psoríase, os três agentes identificaram de forma conjunta o gene GPR137 como um provável fator causal e sugeriram dez formas de validar a hipótese. Uma análise selecionada por um pesquisador humano confirmou que o silenciamento do referido gene produziu alterações na atividade gênica semelhantes às provocadas pela variante associada à doença.

Apesar dos resultados, a conversão não funcionou em todas as tentativas. Das 100 pesquisas de biologia computacional testadas pela equipe, 26 falharam no processo de criação dos agentes. As falhas foram causadas por códigos incompletos, documentação ausente ou incompatibilidades em pacotes de software. Para a equipe do projeto, essa limitação atua como um diagnóstico que expõe inconsistências e falta de informações nas publicações originais.