Pesquisadores da Escola de Engenharia da Universidade de Toronto criaram a ferramenta de acesso aberto MOF-ChemUnity, que fornece um método sistemático para pesquisas sobre estruturas metalorgânicas (MOFs), facilitando descobertas mais ágeis. Os MOFs são materiais amplamente utilizados em áreas como entrega de fármacos, catálise e captura de carbono. Sua altíssima área superficial específica e propriedades químicas ajustáveis com precisão lhes conferem amplo potencial de aplicação — por exemplo, para separar gases como peneiras moleculares, capturar moléculas muito pequenas para detecção de substâncias em baixas concentrações, acelerar reações industriais e transportar medicamentos. A crescente importância dos MOFs na ciência é evidente, sendo a premiação do Nobel de Química de 2025 dedicada aos MOFs um exemplo disso.
À medida que as pesquisas sobre MOFs aceleram em mais de 25 áreas de aplicação, acompanhar o crescimento do conhecimento se torna cada vez mais difícil, representando um desafio tanto para pesquisadores quanto para ferramentas de IA. Para enfrentar esse problema, a equipe liderada pelo professor Mohamad Moosavi, do Departamento de Engenharia Química e Química Aplicada, em colaboração com o Instituto Vector, desenvolveu o MOF-ChemUnity. O trabalho foi publicado no Journal of the American Chemical Society e selecionado como artigo de capa.
O MOF-ChemUnity utiliza um grafo de conhecimento estruturado e escalável para extrair e conectar informações provenientes de artigos sobre MOFs, bancos de dados de estruturas cristalinas e bases de dados de materiais computacionais. Seu núcleo é um fluxo de trabalho baseado em um modelo de linguagem de múltiplos agentes, capaz de associar corretamente os nomes químicos encontrados na literatura às estruturas cristalinas correspondentes, apresentando etapas de síntese, propriedades dos materiais e aplicações potenciais em um formato consistente e legível por máquinas. A equipe também combinou o grafo de conhecimento com um modelo de linguagem para desenvolver um assistente de IA baseado em literatura. Em avaliações cegas realizadas por especialistas de várias instituições, o assistente demonstrou desempenho mais preciso, mais interpretável e mais confiável do que modelos como o GPT-4o, reduzindo alucinações e apoiando um raciocínio científico confiável.
A equipe da Universidade de Toronto disponibilizou publicamente o conjunto de dados e o código no GitHub, apoiando o avanço contínuo da ciência dos materiais e de pesquisas impulsionadas por inteligência artificial. Segundo Moosavi, o projeto estabelece as bases para transformar a forma como o conhecimento científico é organizado e acessado, ajudando a romper barreiras de pesquisa. O MOF-ChemUnity representa o primeiro passo rumo a sistemas de IA capazes de lidar com dados entre múltiplos domínios, estabelecendo um novo paradigma de descoberta baseada em literatura e servindo como o início de um sistema universal de conhecimento para acelerar pesquisas em diversas áreas.
