IA na Descoberta de Medicamentos: Marcos, Limitações e a Busca por Dados Clinicamente Relevantes

A inteligência artificial está sendo aplicada em toda a pipeline de descoberta de medicamentos, desde a identificação de alvos biológicos e o design generativo de moléculas até a automação laboratorial e a otimização de ensaios clínicos, com o campo agora organizado em quatro camadas distintas. Marcos recentes incluem uma qualificação regulatória europeia para uma metodologia de gêmeos digitais que reduz os braços de placebo em ensaios clínicos e dados positivos de Fase 2a para um candidato a medicamento projetado por IA.

A camada de otimização de ensaios clínicos, a parte mais nova e menos comprovada da pilha, inclui a Unlearn.AI, cuja metodologia PROCOVA gera pacientes-controle gêmeos digitais para reduzir o tamanho do braço de placebo de um ensaio. O método foi formalmente qualificado por reguladores europeus para ensaios de Fase 2 e 3, com alinhamento confirmado pela FDA, e teria reduzido os tamanhos de braço de controle necessários em aproximadamente 30%.

No design generativo de moléculas, o programa rentosertib da Insilico Medicine tornou-se um dos sucessos de ponta a ponta mais claros do campo, passando de um alvo identificado por IA a uma molécula gerada por IA e chegando a dados positivos de Fase 2a. A Isomorphic Labs, desmembrada do Google DeepMind e carregando a linhagem AlphaFold, tem parcerias avaliadas em mais de US$ 1,7 bilhão com a Eli Lilly e aproximadamente US$ 1,2 bilhão com a Novartis, além de uma captação externa de US$ 600 milhões. A Xaira Therapeutics foi lançada em 2024 com mais de US$ 1 bilhão em investimentos, o maior lançamento de uma bio-tech de IA já registrado, enquanto Chai Discovery, Genesis Therapeutics e Iambic Therapeutics competem em predição de estrutura, química translacional e design generativo, respectivamente.

Na camada de identificação de alvos, a Recursion Pharmaceuticals aplica aprendizado profundo a milhões de imagens de microscopia de ensaios celulares para mapear a biologia de doenças em escala e fundiu-se com a Exscientia, enquanto a Insitro combina genômica, imagem e dados clínicos para estratificar doenças heterogêneas em subtipos. A camada de automação laboratorial inclui Emerald Cloud Lab, Strateos e Arctoris, que oferecem laboratórios remotos e robotizados como um serviço sob demanda; empresas que citam ciclos automatizados de design-síntese-teste-análise relatam comprimir o caminho da hipótese inicial até um candidato pré-clínico para aproximadamente 13 a 18 meses, contra uma média tradicional da indústria mais próxima de três a quatro anos.

Apesar desses avanços, entre 90% e 95% dos candidatos a medicamentos ainda falham durante o desenvolvimento, tipicamente após anos de investimento. Em oncologia, o problema não é o volume de dados ou o poder computacional aplicado, mas o grau em que os dados refletem a biologia tumoral em pacientes reais. Dados derivados de pacientes são altamente relevantes, porém limitados, enquanto sistemas modelo, como linhagens celulares, organoides e xenoenxertos derivados de pacientes, oferecem escalabilidade ao custo do contexto do paciente. O perfilamento genômico não se traduziu em amplo sucesso clínico, com apenas uma pequena proporção de pacientes elegíveis para os medicamentos de precisão existentes com base somente em biomarcadores genômicos, e assinaturas transcricionais são frequentemente preditores fracos da expressão proteica ou da resposta terapêutica. Há um esforço crescente para integrar dados funcionais — medições de como os tumores respondem a medicamentos — com o perfilamento molecular para identificar assinaturas de biomarcadores que sejam preditivas do fenótipo.

Pesquisadores também enfatizam que a IA biomédica envolve riscos maiores do que a IA em muitos ambientes comerciais, porque erros podem afetar conclusões científicas, decisões de desenvolvimento de medicamentos ou o cuidado ao paciente. Os dados biomédicos são frequentemente ruidosos e incompletos, e as predições de IA ainda precisam de validação experimental e clínica. A integração de dados é um desafio relacionado: a descoberta de medicamentos é cada vez mais multimodal, abrangendo pequenas moléculas, degradadores de proteínas, conjugados anticorpo-fármaco, terapias de RNA e terapias celulares e gênicas, cada uma gerando conjuntos de dados únicos em química, biologia e pesquisa translacional. Muitas organizações dependem de sistemas de informática desconectados, e os grafos de conhecimento surgiram como uma forma de conectar dados e evidências fragmentados em uma estrutura unificada e rastreável. Uma solução de grafo de conhecimento biomédico integra conjuntos de dados incluindo MetaBase, Cortellis Drug Discovery Intelligence e OFF-X, abrangendo mais de 1 milhão de compostos químicos, mais de 1 milhão de medicamentos, quase 87.000 entidades biológicas e milhares de conceitos de doenças, vias, biomarcadores e segurança.

Em uma colaboração de cinco semanas entre locais parceiros do EU-OPENSCREEN, uma pesquisadora de pós-doutorado do CIB-CSIC em Madri juntou-se a um grupo de pesquisa do Karolinska Institutet, na Suécia, para explorar abordagens baseadas em IA e aprendizado de máquina para o design de novo de compostos. O trabalho focou em estratégias de design baseadas em sintons e abordagens de amostragem de Thompson para gerar e priorizar candidatos moleculares, e resultou em uma nova série de potenciais inibidores de Mac1 — um alvo-chave na replicação viral e na evasão da resposta imune — fornecendo um ponto de partida para futura síntese e testes in vitro.