Durante os últimos 50 anos, os cientistas levavam décadas para descobrir a forma de cada proteína, pequenas “máquinas” do nosso corpo responsáveis por funções essenciais como defesa, digestão e formação de tecidos. Isso mudou quando três pesquisadores conseguiram não só prever a forma das proteínas, como criar outras que não existiam na natureza. Tudo com a ajuda da inteligência artificial.
Os responsáveis por esse avanço são David Baker, Demis Hassabis e John Jumper, vencedores do Nobel de Química de 2024. A conquista deixou evidente o papel cada vez mais relevante da inteligência artificial no avanço da pesquisa científica e no desenvolvimento de novos medicamentos.
Antes, o uso da IA na indústria farmacêutica era chamado de mineração de dados ou quimioinformática. Esse tipo de abordagem começou a ganhar força nas décadas de 1980 e 1990, impulsionado pela internet, que ampliou a capacidade computacional e o acesso a grandes bases de dados.
Hoje, com o avanço do machine learning, uma área da IA que utiliza algoritmos e modelos estatísticos para identificar padrões, esse processo se tornou ainda mais eficiente. Medicamentos que antes levavam de 10 a 15 anos para serem desenvolvidos agora podem ser criados com muito mais rapidez e a um custo significativamente menor.
Prevendo como as moléculas vão funcionar
Na pesquisa farmacêutica, os modelos preditivos da inteligência artificial servem para calcular o comportamento das moléculas no organismo humano. Isso é feito através de um extenso banco de dados, composto por informações públicas e literatura científica.
Esses dados são apresentados ao modelo para treiná-lo. Assim, a partir da correlação entre a estrutura química das moléculas e os dados oferecidos, ela consegue interpretar qual o agrupamento químico ideal para que a molécula chegue ao local de ação necessário para tratar determinada doença.
Isso não quer dizer que a inteligência artificial vai acertar em todos os casos. Algumas etapas são necessárias, como a curadoria dos dados utilizados no treinamento e o rigor ao utilizar o modelo de IA. Algumas vezes, o que o computador prevê não acontece no experimento em laboratório, mas a taxa de acerto costuma ser de 80% a 90%.
Primeira etapa: identificação do alvo da doença
“A primeira etapa para se chegar a um medicamento é identificar o alvo, ou seja, onde o medicamento vai atuar. Por exemplo, os medicamentos como o Ozempic, que estão em alta, são moléculas que atuam em um receptor específico, gerando um efeito de redução da fome, o que auxilia na perda de peso”, explica Frederico Kremer, coordenador do Hub de Inovação em Inteligência Artificial da Universidade Federal de Pelotas (UFPEL).
A identificação desse alvo permite aos pesquisadores ter uma ideia do que possui menos risco de provocar um efeito adverso e mais chance de atuar naquele alvo, inibindo um processo fisiológico indesejado. Para se ter uma ideia, no caso do câncer, ao conseguir desligar uma proteína específica, é possível levar a célula cancerosa à morte com mais facilidade.
Segunda etapa: identificação das moléculas mais promissoras
Uma vez identificado o alvo, é preciso entender quais moléculas conseguem atuar nele. O problema é que existem bilhões de moléculas catalogadas disponíveis, sejam elas obtidas por processos químicos ou fontes naturais. Se um pesquisador fosse testar uma por uma, ainda mais com a quantidade de novas descobertas científicas publicadas diariamente, o processo demoraria anos.
“Por isso, precisamos de formas para criar e selecionar as moléculas mais promissoras. Os métodos de IA nos auxiliam a fazer essa priorização dentro dos bancos de dados. Além disso, tentamos antever possíveis efeitos adversos e como nosso corpo vai lidar [com essas moléculas]. Uma coisa é o que a molécula faz no nosso corpo. Outra coisa é o que nosso corpo faz com a molécula: se a eliminará mais rápido ou mais devagar. A IA também nos ajuda a identificar isso, prevendo, por exemplo, se o corpo a excretará, se ela se acumulará ou se circulará por um tempo”, detalha Kremer.
Em 2016, o projeto OpenZika, realizado por pesquisadores da Universidade Federal de Goiás (UFG) em parceria com instituições internacionais, buscava as moléculas mais promissoras para o tratamento da infecção pelo vírus Zika. Com a ajuda da inteligência artificial, em apenas nove meses de pesquisa, uma lista com 7,6 mil compostos foi reduzida a apenas 14 com chances de serem utilizados na formulação de um medicamento antiviral.
Carolina Horta, líder do Laboratório de Planejamento de Fármacos e Modelagem Molecular (LabMol), membro do Centro de Excelência em Inteligência Artificial (CEIA) e uma das pesquisadoras do OpenZika, comparou a técnica tradicional de high-throughput screening (HTS) com a triagem virtual feita por modelos de IA. Enquanto a primeira testa um milhão de moléculas para ver quais funcionam, a segunda prevê as cem que têm mais chance de funcionar e testa apenas essas.
“Em um experimento convencional de high throughput screening, a taxa de acerto é em torno de 0,1%. Ou seja, dos 1 milhão de compostos que eu testei, 0,1% vai ter atividade. Essa é a taxa média. Em um experimento de triagem virtual, a taxa de acerto aumenta para 15% a 30%. É um grande ganho. Você poupa tempo, poupa recursos e aumenta a taxa de sucesso”, afirma a especialista.
Veja também: Como a Inteligência Artificial pode contribuir na saúde pública?
Terceira etapa: estudos clínicos e comercialização
A diminuição do número de moléculas a serem testadas reflete na redução do número de animais a participarem das primeiras fases dos experimentos, uma questão ética que vem sendo cada vez mais discutida pela ciência. Nos testes em seres humanos, por sua vez, a inteligência artificial tem sido utilizada nos processos de seleção de pacientes e análise dos resultados.
Assim que aprovado e comercializado, o trabalho continua. O medicamento pode ter efeitos colaterais a longo prazo, e é preciso monitorar o uso pelos pacientes continuamente, o que também é otimizado com o auxílio das tecnologias de IA.
A Bayer, multinacional alemã, é uma das farmacêuticas que têm aderido ao uso de inteligência artificial desde a seleção das moléculas até a chegada do medicamento ao consultório médico. Segundo Adib Jacob, presidente da divisão para América Latina e Brasil, um dos novos medicamentos usados no tratamento da hemofilia passou a exigir menos aplicações. O efeito colateral inesperado foi que, com menos injeções, muitos pacientes acabavam esquecendo de reaplicar a medicação. A Bayer, portanto, desenvolveu um software de IA que ajuda o paciente a não esquecer de tomar o remédio, facilitando o pedido de uma nova dose quando estiver acabando.
“Outro uso é ajudar o profissional a entender melhor o que o paciente precisa, considerando que o tratamento pode ser diferente do de outra pessoa. Com a IA, o médico pode analisar, por exemplo: ‘O paciente está tomando três medicamentos, quero entender se há interação entre eles’ ou ‘Ainda não estou convencido de que esse remédio é o mais eficaz’. Com base em informações públicas, nas preferências do paciente e até no que já foi discutido anteriormente, a IA consegue oferecer um suporte mais personalizado, ajudando o profissional a agregar valor à sua prática clínica, em vez de ser apenas mais uma consulta”, acrescenta o representante da Bayer.
Por trás da promessa: os desafios reais da IA nos laboratórios
Por outro lado, implementar todos esses avanços não é fácil. Além de questões éticas e regulatórias, o uso da IA se limita à produção de hipóteses, não a resultados diretos. No laboratório, é fundamental que o cientista dê a última palavra, verificando as hipóteses e confrontando com outras evidências para poder levar a pesquisa adiante:
- Dificuldade de leitura das moléculas: às vezes, é preciso que os pesquisadores tornem a estrutura da molécula mais “amigável” para o computador, pois algumas representações facilitam determinadas análises, enquanto outras não.
- Dificuldade de materialização das previsões: nem sempre o que funciona bem no computador vai funcionar na vida real, seja em laboratório ou em um paciente. Células são complexas e nem sempre a molécula consegue chegar aonde se espera. A IA serve como uma filtragem inicial, mas esse filtro sempre precisará ser validado pelos pesquisadores.
- Influência do viés do algoritmo: os modelos de IA tendem a funcionar melhor para moléculas que são parecidas com aquelas que já foram apresentadas a eles. Moléculas que fogem do comum precisam ser avaliadas com critério, pois não é possível confiar cegamente no que o modelo indica.
A principal preocupação, no entanto, é a segurança de dados.
Enquanto pesquisadores universitários utilizam dados de open science, isto é, um movimento global que torna os resultados de pesquisas científicas abertos a todos, as empresas farmacêuticas costumam usar dados confidenciais e restritos. Nesses casos, há a preocupação com o vazamento de informações.
Segundo Kremer, o vazamento de dados sensíveis como esses pode impedir que o tratamento em estudo nunca beneficie a população como deveria, o que vai na contramão do princípio de acessibilidade que baseia o uso da IA para o desenvolvimento de novos medicamentos.
Estima-se que a chegada de um medicamento aprovado ao mercado custe em torno de 1 bilhão a 2 bilhões de dólares, valor refletido no custo para o paciente. Quando a IA diminui o número de moléculas a serem testadas, melhorando a taxa de acerto durante os ensaios clínicos e facilitando o monitoramento pós-aprovação, o peso no bolso do paciente também deve diminuir.
“As empresas que trabalham com pesquisa e desenvolvimento, dentro de suas políticas de proteção de dados, propriedade intelectual e não divulgação, terão cada vez mais termos sobre o que pode e o que não pode ser analisado por ferramentas comerciais de inteligência artificial. Talvez a solução seja que elas acabem utilizando essas IAs localmente, instaladas em seus computadores, com acesso restrito. No Brasil, nossos centros de pesquisa públicos também precisam adotar esse tipo de cuidado quando as pesquisas têm a possibilidade de levar a um novo tratamento. No final das contas, é um patrimônio intelectual, um bem tecnológico que deve ser passível de proteção”, diz o pesquisador.
Veja também: Inteligência artificial: amiga ou inimiga da saúde?
