- Leitura
- 4 min
Há poucas semanas, conduzi um workshop sobre inteligência artificial↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → com executivos de uma indústria farmacêutica. Em determinado momento, a conversa tomou um rumo particularmente interessante. Deixamos de discutir as capacidades dos modelos e suas aplicações nos negócios para debater uma questão bem mais difícil: até onde a IA pode realmente avançar diante da extraordinária complexidade da biologia humana?
Foi uma das discussões mais estimulantes que tive recentemente sobre o tema. E reforçou uma preocupação que venho manifestando: estamos transformando avanços computacionais impressionantes em previsões científicas que ainda não conseguimos sustentar com evidências.
A afirmação de muitos CEOs de BigTechs que a IA poderá curar a maioria das doenças humanas em poucos anos é um exemplo. Trata-se de uma possibilidade frequentemente apresentada com uma confiança que o conhecimento científico atual não justifica.
A indústria farmacêutica conhece muito bem a distância entre descobrir uma molécula promissora e transformá-la em um medicamento seguro, eficaz e aprovado para uso clínico.
A IA já oferece contribuições importantes. Modelos de aprendizado de máquina ajudam a identificar alvos terapêuticos, analisar dados genômicos, prever propriedades moleculares, priorizar compostos e apoiar o desenho de estudos clínicos. Modelos generativos também permitem propor novas estruturas moleculares e proteínas com propriedades desejadas.
Indiscutivelmente que são avanços reais. Mas precisamos distinguir capacidade de gerar hipóteses de capacidade de demonstrar que elas funcionam.
Uma molécula pode apresentar resultados excelentes em simulações computacionais e fracassar nos experimentos laboratoriais. Pode funcionar em modelos celulares ou animais e não demonstrar eficácia em humanos. Pode atingir o alvo molecular pretendido e produzir efeitos adversos inesperados.
E mesmo quando demonstra eficácia, pode não oferecer benefício clínico suficiente em comparação com tratamentos existentes. A dificuldade está na complexidade dos sistemas biológicos, na heterogeneidade das doenças e nas interações entre mecanismos moleculares, condições ambientais, características individuais e evolução temporal dos organismos.
Um dos pontos que apareceu no workshop foi que modelos de IA aprendem a partir dos dados e das estruturas de conhecimento disponíveis. Mas esses dados representam apenas uma parte da realidade biológica. Existem lacunas experimentais, diferenças entre populações, vieses de seleção, limitações de medição e mecanismos ainda insuficientemente conhecidos.
Modelos sofisticados podem identificar associações relevantes sem que essas associações representem relações causais. Evidentemente, a IA também pode apoiar investigações causais, mas isso exige desenhos experimentais, hipóteses e métodos apropriados. A sofisticação computacional, isoladamente, não resolve o problema.
Outro aspecto frequentemente subestimado é a validação. Podemos acelerar enormemente a análise de milhões de moléculas, melhorar a seleção de candidatos e até otimizar aspectos do planejamento de ensaios clínicos. Mas não podemos simplesmente dispensar a demonstração de segurança, eficácia e benefício clínico.
Ensaios clínicos envolvem recrutamento, acompanhamento de pacientes, avaliação de eventos adversos, comparação com tratamentos existentes e produção de evidências robustas para decisões médicas e regulatórias.
A IA pode melhorar diversas dessas atividades. Entretanto, acelerar a análise de informações não significa eliminar o tempo necessário para observar determinados efeitos biológicos ou resultados clínicos.
Também discutimos uma questão econômica fundamental. Se a IA permitir gerar candidatos em velocidade muito superior à capacidade de avaliá-los experimentalmente, poderemos simplesmente deslocar o gargalo da descoberta computacional para os laboratórios e estudos clínicos.
Mais moléculas propostas não significam necessariamente mais medicamentos aprovados. E mais experimentos não representam necessariamente maior produtividade científica. O benefício econômico depende de melhorar a qualidade das escolhas ao longo de toda a cadeia de pesquisa e desenvolvimento.
Isso significa medir não apenas quantos candidatos foram gerados, mas quantos avançaram com evidências consistentes, quais riscos foram identificados antecipadamente, quantos experimentos improdutivos foram evitados e como evoluíram os custos, os prazos e as probabilidades de sucesso.
Mesmo esses indicadores exigem cuidado. Melhorias observadas em projetos individuais não demonstram automaticamente ganhos generalizáveis para todo o processo de desenvolvimento farmacêutico.
Vejo enorme potencial na combinação de modelos preditivos, IA generativa, simulações, automação laboratorial, dados clínicos e conhecimento científico. Especialmente quando essas capacidades são integradas a processos experimentais que permitam testar, corrigir e refinar hipóteses continuamente.
Mas não devemos confundir a capacidade de explorar um espaço de possibilidades com a capacidade de compreender completamente os fenômenos investigados.
Também não devemos exigir compreensão integral dos mecanismos biológicos como condição para qualquer avanço terapêutico. A história da medicina mostra que tratamentos eficazes podem existir antes que seus mecanismos sejam totalmente esclarecidos. O essencial é produzir evidências confiáveis de segurança e benefício clínico.
Saí do workshop ainda mais convencido de que executivos de setores intensivos em ciência e regulação precisam resistir à tentação de confundir desempenho computacional com progresso científico comprovado. A IA pode acelerar descobertas, ampliar a capacidade dos pesquisadores, identificar padrões difíceis de reconhecer e ajudar a formular hipóteses melhores. Mas não substitui o método científico, a experimentação, a avaliação crítica das evidências nem a responsabilidade pelas decisões clínicas.
A grande contribuição da IA à indústria farmacêutica não será tornar a ciência desnecessária, mas ampliar nossa capacidade de investigar problemas complexos, descartar caminhos improdutivos mais cedo e produzir conhecimento confiável com maior eficiência.
Na indústria farmacêutica, a pergunta mais importante não é quantas moléculas a IA consegue gerar, mas quantas decisões melhores conseguimos tomar com sua ajuda e quais benefícios reais chegam aos pacientes. Porque, nesse setor, a distância entre uma hipótese promissora e um resultado comprovado pode representar anos de pesquisa, bilhões em investimentos e, sobretudo, vidas humanas.
