A descoberta de medicamentos sempre foi um jogo de probabilidades improváveis. Um novo medicamento pode levar muitos anos para ser desenvolvido, consumir um investimento substancial e, ainda assim, falhar antes de chegar a um único paciente. Para os medicamentos biológicos, terapias construídas a partir de proteínas projetadas em vez de química sintética, o desafio é ainda maior. O número de combinações moleculares possíveis é tão vasto que nenhuma equipe humana conseguiria explorá-lo de forma sistemática. Este é o problema que a IA está agora sendo chamada a resolver, e a abordagem é mais sofisticada do que a maioria da cobertura sugere.
O Ciclo Construir-Medir-Aprender Que Está Reduzindo os Prazos no Desenvolvimento de Medicamentos
A mudança central que está ocorrendo no R&D farmacêutico não é simplesmente a adição da IA aos fluxos de trabalho existentes. É o fato de que a IA está reestruturando a lógica de todo o processo de descoberta.
Na AstraZeneca, a abordagem segue o que Puja Sapra, vice-presidente sênior e chefe de engenharia de biológicos em R&D e descoberta direcionada em oncologia, descreve como um ciclo construir-medir-aprender (build-measure-learn). A IA gera ou classifica moléculas candidatas computacionalmente, prevendo quais designs têm maior probabilidade de sucesso antes que qualquer experimento físico ocorra. Em seguida, os cientistas direcionam os recursos laboratoriais exclusivamente para os candidatos mais bem classificados. O resultado é um ciclo de feedback mais ágil: menos caminhos sem saída, iteração mais rápida e a capacidade de buscar alvos de doenças que anteriormente eram considerados inalcançáveis.
A McKinsey estima que a IA generativa, combinada com outras ferramentas computacionais, poderia reduzir os prazos de descoberta de medicamentos em até 50%. Essa citação merece contexto. Isso não significa que a IA está substituindo o julgamento científico. Significa que a proporção de experimentos produtivos em relação aos desperdiçados está melhorando, e o tempo entre a hipótese e o resultado está se comprimindo.
O que torna isso possível são os dados. Os conjuntos de dados da AstraZeneca são proprietários e multimodais, incorporando estruturas moleculares, medições de ligação, perfis de segurança e resultados de fabricação. A empresa também investiu em tecnologias de triagem profunda (deep screening) para gerar conjuntos de dados adicionais no volume necessário para refinar e validar continuamente seus modelos. Como Sapra resume: “Os dados são o nosso diferencial.”
Projetando Medicamentos Que Antes Não Existiam
Além de acelerar os prazos, a IA está abrindo uma categoria de medicamentos que os métodos tradicionais simplesmente não conseguiam alcançar.
Os medicamentos biológicos convencionais geralmente têm como alvo uma única via da doença. A próxima geração, às vezes chamada de biológicos multiespecíficos, pode atingir múltiplos alvos simultaneamente ou entregar cargas terapêuticas a células específicas com precisão. Projetar essas moléculas exige a otimização de muitas variáveis ao mesmo tempo: potência, estabilidade, fabricabilidade e segurança. Esse tipo de otimização multidimensional é exatamente onde os modelos de IA têm uma vantagem estrutural sobre as abordagens manuais.
Sapra descreve um cenário no qual modelos de IA poderiam identificar quais dois ou três alvos biológicos priorizar e, em seguida, otimizar todos os parâmetros relevantes em paralelo. “Tornar tratável o intratável está se tornando uma realidade”, diz ela. Alvos antes considerados impossíveis de alcançar estão agora ao nosso alcance.
A visão de longo prazo é o que a área chama de design “de novo”: a IA gerando sequências de proteínas inteiramente novas do zero, projetadas para se adequarem a um conjunto preciso de propriedades farmacológicas, com segurança e fabricabilidade incorporadas à previsão desde o início. A AstraZeneca está avançando em direção a isso com uma instalação do “laboratório do futuro” em Kendall Square, Cambridge, Massachusetts. O local foi projetado como um sistema de descoberta em ciclo fechado (closed-loop), no qual a IA faz previsões, sistemas robóticos executam experimentos e instrumentos geram dados que realimentam diretamente os modelos. Sistemas automatizados de alta vazão (high-throughput) eventualmente avaliarão milhares de interações moleculares semanalmente, produzindo dados prontos para IA em uma escala que os fluxos de trabalho tradicionais não conseguem igualar.
A previsão de segurança é a peça não resolvida mais difícil. Prever se uma molécula gerada computacionalmente será segura no corpo humano continua sendo um dos desafios mais importantes no design de novo. A AstraZeneca está lidando com isso por meio de sistemas celulares avançados e modelos de órgãos em escala microscópica que funcionam como bancadas de teste físicas, combinados com IA que aprende com seus resultados. Trata-se, na prática, de ensaios clínicos virtuais.
Por Que Isso Importa Além do Laboratório
A transformação em andamento nos biológicos não é primariamente uma história sobre tecnologia. É uma história sobre o que se torna possível quando o gargalo muda de lugar.
Por décadas, a limitação na descoberta de medicamentos não foi a imaginação científica. Foi o custo puro e o tempo necessários para testar ideias. A maioria dos candidatos promissores nunca chegou a ser explorada porque o pipeline não conseguia acomodá-los. A IA não elimina essa limitação por completo, mas altera dramaticamente a proporção. Mais candidatos podem ser avaliados, mais alvos de doenças se tornam viáveis e o ciclo de feedback entre experimento e insight se estreita.
Três pré-requisitos ainda se interpõem entre o estado atual e o design de novo de medicamentos totalmente realizado: dados de treinamento mais ricos e padronizados em toda a indústria, benchmarks de avaliação robustos para candidatos gerados por IA e equipes capazes de trabalhar na interseção do aprendizado de máquina com a biologia. Nenhum desses pontos é trivial. Mas a direção é clara.
Fundamentalmente, o papel humano nesse processo não está diminuindo. Os cientistas continuam sendo centrais para a supervisão, o julgamento e o direcionamento estratégico. O objetivo não é o design autônomo de medicamentos sem intervenção humana. É um sistema no qual a IA lida com o volume combinatório que os humanos não conseguem processar, enquanto os cientistas se concentram nas decisões que exigem intuição biológica, raciocínio ético e responsabilidade perante os pacientes.
Em Resumo
A IA não está substituindo a descoberta de medicamentos. Ela está reestruturando sua lógica. Ao estreitar o espaço de busca computacionalmente, permitir o design de medicamentos direcionados a múltiplos alvos e construir sistemas em ciclo fechado nos quais cada experimento melhora a próxima previsão, o R&D farmacêutico está se movendo em direção a um modelo em que o fator limitante não é mais a quantidade de experimentos que uma equipe consegue realizar. O objetivo, ainda em andamento, é um biológico inteiramente gerado por IA, projetado do zero até se tornar um candidato clínico. Os pré-requisitos são significativos, mas a trajetória não é mais especulativa.
Com base em reportagem de MIT Technology Review.