- Isomorphic Labs, spinout do DeepMind, divulga sistema de IA que aumenta a precisão no design de fármacos, superando o AlphaFold 3 em parte crítica do processo.
- O episódio destaca que levar um medicamento ao mercado costuma exigir mais de uma década e cerca de $6 bilhões, com aproximadamente 90% dos candidatos a fármacos falhando em ensaios clínicos.
- A IA já substitui parte do trabalho de pesquisas, com previsões estruturais tão precisas que podem reduzir ou eliminar etapas experimentais demoradas.
- Os entrevistados discutem por que o AlphaFold 3 levou dois anos para ser replicado e o que fica além da publicação de papel científico, incluindo detalhes de modelagem.
- A conversa analisa como a IA pode desbloquear alvos considerados “undruggable”, como proteínas difíceis, e o impacto potencial para pacientes.
A equipe da Isomorphic Labs, braço de pesquisa de DeepMind, publicou novos avanços sobre como projetar medicamentos com o auxílio de inteligência artificial. O foco é superar o que hoje é considerado desafiador no design de fármacos, incluindo moléculas que tradicionalmente seriam difíceis de desenvolver.
Segundo os pesquisadores, o sistema desenvolvido pela Isomorphic Labs já supera, em partes cruciais do processo, a precisão de modelos anteriores de AlphaFold 3. O objetivo é tornar o desenho de moléculas mais rápido e com maior probabilidade de sucesso, reduzindo a dependência de etapas experimentais demoradas.
A equipe é liderada por Demis Hassabis e envolve especialistas em design de medicamentos e IA. Em uma recente entrevista de podcast, Becky Paul (líder de design medicamentoso) e Michael Schaarschmidt (líder de pesquisa de IA) explicaram como a IA está começando a gerar moléculas que podem não ter sido imaginadas por químicos humanos, além de discutir as limitações ainda presentes no processo.
Entre os temas abordados, consta a disparidade entre o tempo gasto para chegar a um candidato a medicamento e o custo envolvido, além do papel da IA em reduzir etapas experimentais. Os especialistas destacam que, embora avanços sejam significativos, ainda há etapas laboratoriais que não podem ser substituídas por algoritmos no momento.
Outro ponto discutido é a razão pela qual o treinamento e a validação de modelos são cruciais. Mesmo com publicação de papers e códigos abertos, a reprodução integral de resultados pode enfrentar obstáculos práticos em diferentes laboratórios, o que implica continuidade na verificação experimental.
A conversa também aborda a velocidade de inovação no campo. Os especialistas comentam como novos modelos de base podem desbloquear projetos que estavam parados e como isso pode acelerar o progresso em áreas como o tratamento de alvos considerados “undruggable”.
Desdobramentos técnicos
- A equipe descreve como o design guiado por IA pode diminuir a necessidade de etapas experimentais demoradas em certas fases do desenvolvimento.
- Ainda são discutidas as limitações da IA em prever estruturas complexas sem validação clínica.
- A diferença entre “padrões de ligação” e eficácia terapêutica é ressaltada como área que exige confirmação humana.
Potenciais impactos e próximos passos
- A promessa é tornar o design de fármacos mais rápido e eficiente, com menos ciclos de tentativa e erro.
- Pesquisadores destacam que o avanço não elimina a necessidade de validação laboratorial, apenas a complementa.
- A expectativa é que novos alvos terapêuticos passem a ser abordados de forma mais ágil, com IA ajudando a reduzir barreiras técnicas.
No contexto da indústria, o estudo reforça que, mesmo com ferramentas avançadas, o caminho para transformar descobertas em tratamentos acessíveis continua exigindo colaboração entre IA e ciência experimental. A Isomorphic Labs continua a explorar como consolidar esses ganhos em aplicações reais, mantendo o rigor científico necessário.
Entre na conversa da comunidade