Introdução
O desenvolvimento de novos medicamentos sempre foi um dos desafios mais complexos e caros da ciência moderna. Um único remédio pode levar mais de uma década para chegar ao mercado, consumindo bilhões de reais em investimentos, com a maioria dos candidatos falhando antes mesmo de alcançar os pacientes. Agora, a inteligência artificial está transformando radicalmente esse cenário, especialmente no desenvolvimento de medicamentos biológicos – terapias baseadas em proteínas engenheiradas que tratam desde câncer até doenças autoimunes. Empresas farmacêuticas globais como a AstraZeneca estão na vanguarda dessa revolução, construindo sistemas de IA que prometem cortar pela metade o tempo de descoberta de novos medicamentos.
O desafio da complexidade molecular
Medicamentos biológicos representam uma fronteira especialmente desafiadora no desenvolvimento farmacêutico. Diferentemente dos remédios tradicionais baseados em química sintética, os biológicos são construídos a partir de proteínas complexas que precisam ser meticulosamente projetadas para se ligar aos alvos corretos no corpo humano, permanecer estáveis durante o tratamento e ser produzidas em escala industrial. O número de possíveis combinações moleculares é astronomicamente maior do que qualquer equipe humana poderia explorar sistematicamente.
É aqui que a IA entra como ferramenta transformadora. Sistemas de machine learning conseguem analisar vastas bibliotecas de moléculas potenciais, prevendo quais designs têm maior probabilidade de sucesso antes mesmo de serem testados em laboratório. Essa capacidade de triagem computacional permite que cientistas concentrem recursos apenas nos candidatos mais promissores, criando um ciclo de desenvolvimento mais eficiente e com menos becos sem saída.
Build-Measure-Learn: o novo paradigma de descoberta
A AstraZeneca exemplifica como grandes farmacêuticas estão abraçando a IA em seus processos de P&D. Segundo Puja Sapra, vice-presidente sênior e chefe de engenharia de biológicos em P&D da empresa, toda a operação agora segue um modelo computacionalmente aprimorado. A abordagem funciona em um ciclo contínuo: algoritmos de IA geram ou priorizam moléculas candidatas, prevendo computacionalmente quais designs são mais promissores. Os cientistas então testam apenas essas opções pré-selecionadas em laboratório, e os resultados alimentam de volta os modelos, refinando continuamente as previsões.
Esse ciclo de feedback acelerado não apenas economiza tempo e recursos, mas também está permitindo que pesquisadores ataquem alvos de doenças anteriormente considerados ‘indrogáveis’ – proteínas ou mecanismos biológicos que eram impossíveis de atingir com as tecnologias tradicionais. A promessa é particularmente empolgante para doenças raras ou condições complexas que exigem medicamentos altamente específicos.
Medicamentos multi-alvo: a próxima fronteira
Além de acelerar o desenvolvimento tradicional, a IA está possibilitando uma nova geração de medicamentos biológicos com capacidades sem precedentes. Enquanto terapias convencionais tipicamente miram em um único alvo molecular, os novos designs assistidos por IA podem atingir múltiplos alvos simultaneamente ou entregar cargas terapêuticas com precisão cirúrgica a células específicas.
Criar essas moléculas multifuncionais requer otimização simultânea de dezenas de variáveis – potência, estabilidade, segurança, capacidade de produção – uma tarefa praticamente impossível sem assistência computacional. Modelos de IA conseguem navegar esse espaço multidimensional de possibilidades, identificando combinações que equilibram todos esses fatores críticos. Para o mercado brasileiro, onde doenças complexas como dengue, zika e outras arboviroses demandam soluções inovadoras, essa capacidade pode ser revolucionária.
O diferencial dos dados proprietários
Um aspecto crucial dessa revolução é que todo modelo de IA é tão bom quanto os dados usados para treiná-lo. No contexto farmacêutico, isso significa ter acesso a vastos conjuntos de dados biológicos de alta qualidade – algo que grandes empresas farmacêuticas têm em abundância. Cada experimento, bem-sucedido ou não, gera sinais valiosos sobre o que funciona e o que não funciona no design molecular.
A AstraZeneca, por exemplo, construiu um portfólio intencionalmente diversificado através de múltiplas áreas terapêuticas e tipos de medicamentos. Esses datasets proprietários e multimodais incluem estruturas moleculares, medições de ligação, perfis de segurança e resultados de manufatura. Essa riqueza de dados permite que a empresa ajuste modelos de IA de fronteira com conjuntos de treinamento mais ricos e representativos que startups menores simplesmente não conseguem acessar.
O laboratório do futuro: automação total
Para maximizar o potencial da IA, a AstraZeneca está construindo o que chama de ‘laboratório do futuro’ em Kendall Square, Cambridge, Massachusetts. Nessa instalação, IA e automação robótica formarão um sistema de descoberta em loop fechado contínuo. A analogia é com carros autônomos: assim como veículos autônomos usam sensores e modelos para navegar, esse sistema usa IA para fazer previsões, robôs para executar experimentos e instrumentos para gerar dados que alimentam continuamente os modelos.
Sistemas automatizados de alta capacidade poderão realizar e avaliar milhares de interações moleculares semanalmente – uma escala que fluxos de trabalho tradicionais não conseguem igualar. Manipulação robótica de amostras, verificações automatizadas de qualidade e pipelines de dados integrados têm o potencial de acelerar significativamente os cronogramas iniciais de desenvolvimento de medicamentos. Importante notar que cientistas humanos permanecerão centrais ao processo, fornecendo supervisão, julgamento e direção estratégica.
Design de novo: criando medicamentos do zero
A visão final para IA no desenvolvimento de biológicos é o que o campo chama de design ‘de novo’ – a capacidade de gerar proteínas completamente novas do zero que se encaixem precisamente nas propriedades desejadas do medicamento. Isso inclui projetar não apenas a estrutura, mas prever segurança, comportamento no corpo e viabilidade de produção.
Vários elementos-chave são necessários para alcançar esse objetivo ambicioso. Primeiro, dados de treinamento mais ricos e padronizados em toda a indústria. Segundo, benchmarks robustos de avaliação para candidatos gerados por IA. Terceiro, equipes que saibam trabalhar na interseção entre machine learning e biologia. Mas talvez o desafio mais crítico seja a previsão de segurança – determinar se uma molécula computacionalmente gerada será segura no corpo humano.
A AstraZeneca está abordando isso com o que equivale a ensaios clínicos virtuais: sistemas celulares avançados e modelos de órgãos em microescala que funcionam como bancos de teste físicos, pareados com IA que aprende com seus outputs. Esses sistemas podem gerar sinais biológicos aprimorados sem os gargalos dos testes tradicionais, fechando o loop entre designs gerados por IA e candidatos prontos para ensaios clínicos.
Implicações para o mercado brasileiro
Para o Brasil, essa revolução tecnológica apresenta oportunidades e desafios únicos. Por um lado, a aceleração no desenvolvimento de medicamentos pode significar acesso mais rápido a tratamentos inovadores para doenças que afetam particularmente nossa população. Por outro, a concentração de capacidades de IA avançada em grandes farmacêuticas globais pode aprofundar a dependência tecnológica do país no setor farmacêutico.
Empresas brasileiras de biotecnologia e instituições de pesquisa precisarão investir em capacitação em IA e formar parcerias estratégicas para não ficarem para trás nessa corrida tecnológica. Universidades como USP, Unicamp e UFRJ, que já possuem grupos de pesquisa em bioinformática e IA, podem ser pontos de partida para desenvolver competências locais nessa área crítica.
Estimativas da McKinsey sugerem que IA generativa, combinada com outras ferramentas computacionais, pode cortar cronogramas de descoberta de medicamentos em até 50%. Para um país que importa a maior parte de seus medicamentos de alta complexidade, desenvolver capacidades próprias nessa área não é apenas uma questão econômica, mas de soberania em saúde.
O fator humano permanece essencial
Apesar de toda a automação e capacidade computacional, o elemento humano permanece fundamental nessa transformação. Cientistas trabalharão lado a lado com sistemas de IA, em um processo verdadeiramente colaborativo. Os modelos projetarão moléculas, cientistas trabalharão com os sistemas para testá-las, e todo esse conhecimento será integrado para evolução contínua dos modelos.
Para engenheiros, o desafio é projetar sistemas prontos para colaboração humano-IA com altos níveis de transparência e explicabilidade. As equipes de engenharia incluem cientistas de dados, especialistas em automação e engenheiros de IA desenvolvendo sistemas que atuam como ‘parceiros de pensamento’ em vez de caixas-pretas incompreensíveis. Os problemas técnicos são genuinamente difíceis: fusão de dados multimodais, otimização em loop fechado, quantificação de incerteza e interpretabilidade no ponto de tomada de decisão clínica.
Conclusão
A convergência de inteligência artificial e desenvolvimento de medicamentos biológicos representa uma das transformações mais promissoras na medicina moderna. Empresas como a AstraZeneca estão demonstrando que essa não é uma visão futurista distante, mas uma realidade em construção acelerada. Com sistemas capazes de projetar, testar e aprender em velocidades sem precedentes, estamos entrando em uma era onde medicamentos para doenças anteriormente intratáveis podem se tornar realidade.
Para profissionais brasileiros nas áreas de tecnologia, saúde e biotecnologia, entender e participar dessa revolução não é opcional – é essencial. A combinação de talento em IA e engenharia de classe mundial com expertise científica profunda está criando oportunidades para desenvolver tratamentos que podem mudar vidas. O futuro da medicina está sendo escrito em código, e o Brasil precisa garantir seu lugar nessa narrativa transformadora.
Fonte original: Este artigo foi adaptado e traduzido a partir da matéria publicada em MIT Technology Review, disponível em https://www.technologyreview.com/2026/07/23/1140346/how-ai-helps-scientists-design-the-next-generation-of-medicines/.
