A Inteligência Artificial já consegue ajudar a descobrir medicamentos. Mas isso significa que estamos mais perto de novos tratamentos?
Da identificação de novos alvos à descoberta de moléculas, a Inteligência Artificial está a mudar uma das fases mais demoradas da medicina, mas ainda está longe de fazer tudo sozinha.
Desenvolver um novo medicamento é um processo longo e complexo. Antes de um tratamento chegar a um doente, é necessário identificar um alvo biológico relevante, encontrar ou desenhar moléculas capazes de o afetar, testar a sua eficácia e segurança e, posteriormente, ultrapassar várias fases de ensaios clínicos. É precisamente nas primeiras etapas deste percurso que a Inteligência Artificial tem despertado particular interesse: a capacidade de analisar grandes volumes de dados pode ajudar os investigadores a explorar possibilidades que seriam difíceis de avaliar manualmente.
Uma das aplicações passa pela identificação de possíveis alvos terapêuticos. Para desenvolver um medicamento, é necessário perceber primeiro que elemento do organismo pode ser influenciado para alterar o processo de uma doença. Métodos computacionais podem ajudar a analisar dados biológicos e genéticos para identificar relações relevantes e sugerir alvos que mereçam ser estudados. O problema é que encontrar uma associação não significa, por si só, provar que esse alvo irá resultar num tratamento eficaz.
Outra possibilidade está na própria descoberta de moléculas. Em vez de procurar apenas entre compostos que já existem, modelos generativos podem ser utilizados para desenhar novas estruturas químicas com determinadas características ou com potencial para interagir com um alvo específico. Estes sistemas permitem explorar uma parte muito maior do chamado espaço químico e já existem exemplos em que moléculas propostas por IA foram posteriormente sintetizadas e testadas em laboratório. Um estudo publicado em 2025, por exemplo, utilizou um modelo generativo para criar novas moléculas capazes de se ligar a um alvo específico, tendo identificado novos quimiotipos que não estavam disponíveis em bibliotecas comerciais.
A IA pode também ajudar a prever algumas propriedades importantes dessas moléculas antes de estas serem testadas experimentalmente. Entre os exemplos estão a atividade biológica, determinadas propriedades físico-químicas, o metabolismo ou a farmacocinética. Estas previsões podem ajudar os investigadores a decidir quais os compostos que vale a pena estudar primeiro. No entanto, uma previsão feita por um modelo continua a ser uma previsão: não garante que uma molécula será eficaz ou segura num organismo humano.
É aqui que surge uma distinção fundamental: uma molécula promissora não é necessariamente um medicamento. Uma substância pode apresentar uma boa interação com uma determinada proteína e, ainda assim, revelar problemas de toxicidade, absorção, distribuição ou metabolismo quando estudada num organismo. O artigo de Bender et al., publicado em agosto de 2026 na Nature Reviews Drug Discovery, chama precisamente a atenção para esta diferença e conclui que, apesar dos avanços da IA, a evidência de impacto clinicamente relevante na descoberta de medicamentos continua limitada.
Apesar destas limitações, já existem exemplos de candidatos desenvolvidos com recurso a IA que chegaram a ensaios clínicos. Um deles é o rentosertib, uma molécula desenvolvida para bloquear uma proteína chamada TNIK, que os investigadores identificaram como um possível alvo no processo de fibrose pulmonar. Em 2025, um estudo publicado na Nature Medicine avaliou este candidato num ensaio clínico de fase 2a em pessoas com fibrose pulmonar idiopática. O estudo mostrou resultados iniciais sobre a segurança e possíveis efeitos na função pulmonar, mas os próprios investigadores salientaram a necessidade de estudos maiores e mais prolongados.
Este exemplo mostra também por que razão é tão difícil dizer que um medicamento foi simplesmente “criado pela IA”. O desenvolvimento de um tratamento envolve muitas decisões, desde a identificação do alvo até à seleção e otimização das moléculas e aos testes experimentais e clínicos. No caso dos candidatos desenvolvidos com IA, Bender et al. salientam que é frequentemente difícil determinar qual foi exatamente a contribuição da inteligência artificial, uma vez que algumas das etapas que ligam os compostos inicialmente gerados aos candidatos finais são pouco descritas ou não são divulgadas.
A Inteligência Artificial pode, portanto, tornar o processo de descoberta de medicamentos mais rápido e permitir explorar possibilidades que antes seriam difíceis de investigar. Mas o verdadeiro teste não está em produzir uma molécula interessante ou obter uma boa pontuação num modelo computacional. Está em perceber se essas previsões ajudam realmente os investigadores a tomar melhores decisões e, no final de um longo processo de validação, a desenvolver tratamentos mais seguros e eficazes. Como conclui Bender et al., o impacto da IA deverá ser avaliado pelo que consegue mudar na prática, e não apenas pelo desempenho dos seus modelos.
Opinião: Patrícia Gomes
