Remédio criado por IA pode ser a grande invenção de 2026

Essa mudança já está a acontecer. A descoberta de medicamentos é, há muito tempo, uma das partes mais lentas e caras da ciência moderna. Levar um novo remédio da pesquisa inicial ao mercado geralmente demora mais de uma década e pode custar milhares de milhões de dólares. Uma análise de 2020 publicada na JAMA estimou que os custos médios de pesquisa e desenvolvimento para novos medicamentos ficam na faixa de aproximadamente 1 bilião de dólares ou mais, dependendo do método. A maioria dos compostos candidatos falha. Muitos nunca passam dos testes iniciais. O processo é conhecido por atrasos, desperdício e becos sem saída científicos.

A IA não mudou as duras verdades da biologia. Ela não pode simplesmente criar um medicamento do nada. Mas está a começar a mudar a velocidade e a lógica da busca. Pesquisadores agora usam sistemas de machine learning para prever como as moléculas podem se ligar a um alvo, quão tóxicas podem ser e quais compostos valem a pena criar em laboratório. O AlphaFold da DeepMind chamou a atenção mundial ao prever as estruturas de um vasto número de proteínas, um problema que bloqueou biólogos por décadas. Isso não criou novos medicamentos instantaneamente, mas removeu um grande obstáculo. Deu aos cientistas um mapa mais claro das formas moleculares que eles tentam influenciar.

Nos Estados Unidos, na Europa, na China e no Reino Unido, empresas de biotecnologia passaram os últimos anos a construir sobre essa base. Algumas empresas agora relatam que sistemas guiados por IA podem reduzir milhões de possíveis compostos a um pequeno grupo de candidatos sérios em meses, em vez de anos. Vários medicamentos candidatos criados ou auxiliados por IA já entraram em ensaios clínicos. O ponto mais importante não é que todos esses medicamentos vão funcionar. Muitos não vão. O ponto é que o processo já não é teórico. Passou da linguagem de marketing para testes no mundo real.

É por isso que 2026 é importante. Até lá, o público provavelmente verá algo mais concreto do que promessas: dados mais fortes de ensaios de fase intermédia, provas mais claras de que os compostos escolhidos por IA podem sobreviver aos filtros brutais do desenvolvimento clínico e, talvez, o primeiro medicamento amplamente reconhecido cujo cronograma de descoberta foi significativamente encurtado por essas ferramentas. Isso não seria ficção científica. Seria um novo método de pesquisa a entrar na vida pública.

A causa subjacente é simples. A biologia gera dados demais para que equipas humanas, sozinhas, consigam analisar eficientemente. Uma única via de uma doença pode envolver milhares de genes, proteínas e interações químicas. Os pesquisadores também enfrentam um universo químico imenso. Segundo algumas estimativas, o número de possíveis moléculas semelhantes a medicamentos é astronomicamente grande. A triagem tradicional consegue testar apenas uma pequena fração. A IA é útil aqui não porque entende a doença como um médico, mas porque consegue classificar, ordenar e prever padrões numa escala que os pesquisadores humanos não conseguem igualar.

Ao mesmo tempo, a automação de laboratórios melhorou. A computação em nuvem (cloud computing) tornou-se mais barata e poderosa. O sequenciamento genómico é agora rotina em muitos ambientes de pesquisa. As bases de dados públicas e privadas expandiram-se. Em outras palavras, a IA não chegou sozinha. Ela chegou a um sistema científico que finalmente tinha gerado dados, armazenamento e capacidade de laboratório suficientes para tornar esses modelos práticos. Essa combinação é o que torna uma invenção a curto prazo provável. Não se trata de um único avanço mágico. É a convergência de muitos avanços menores.

O impacto pode ser amplo. A primeira consequência é a velocidade. Para pacientes com cancro, doenças raras ou infeções resistentes a medicamentos, o tempo é crucial. Uma seleção de alvos mais rápida e um design de moléculas mais inteligente poderiam reduzir os atrasos na fase inicial. A segunda consequência é o custo, embora este ponto exija cautela. As empresas farmacêuticas podem economizar dinheiro na descoberta, mas isso não garante preços mais baratos para os pacientes. A história dos produtos farmacêuticos mostra que a eficiência científica não se transforma automaticamente em acessibilidade. Ainda assim, custos de pesquisa mais baixos poderiam tornar mais atraente o desenvolvimento de tratamentos para alguns grupos de pacientes negligenciados ou menores.

Há também uma razão de saúde pública para isto ser importante agora. A resistência a antibióticos continua a aumentar. A Organização Mundial da Saúde classificou a resistência antimicrobiana como uma das principais ameaças à saúde pública global. No entanto, o desenvolvimento de antibióticos está atrasado há anos porque o mercado é fraco e a ciência é difícil. Ferramentas de IA que conseguem buscar novas estruturas moleculares de forma mais eficiente podem ajudar aqui. Em 2023, pesquisadores do MIT e da Universidade McMaster relataram o uso de métodos de IA para identificar novos candidatos a antibióticos contra patógenos perigosos. Isso não resolve a crise dos antibióticos da noite para o dia, mas mostra onde essa tecnologia pode ter seu valor público mais claro.

O entusiasmo, no entanto, não deve apagar os riscos. Modelos de IA podem estar errados de maneiras que parecem convincentes. Eles podem ampliar o viés presente em conjuntos de dados antigos. Podem funcionar melhor para doenças com muitos dados e deixar para trás condições menos pesquisadas. As entidades reguladoras também enfrentam um novo desafio. Se uma empresa diz que um sistema de IA ajudou a escolher uma molécula ou a prever o resultado de um ensaio, as agências ainda precisam de provas claras de que o produto final é seguro e eficaz. Na medicina, a velocidade só é útil se a confiança se mantiver.

Há outra preocupação que recebe menos atenção. Se a IA se tornar central para a descoberta, o poder científico pode concentrar-se ainda mais num pequeno número de empresas e instituições de pesquisa ricas. Os países e as empresas com os melhores dados, a infraestrutura de computação mais forte e os maiores portfólios de patentes poderiam ampliar a sua vantagem. Isso definiria não apenas quem lucra, mas também quais doenças recebem atenção. As pessoas em países de baixo rendimento já viram esse padrão antes. As doenças que as afetam nem sempre se alinham com os mercados que os investidores preferem.

A melhor resposta não é abrandar a ciência. É governá-la bem. Financiadores públicos devem apoiar bases de dados biológicas abertas, pesquisas de proteínas partilhadas e projetos de ensaios que possam testar novos compostos rapidamente sem enfraquecer as regras de segurança. Universidades e laboratórios sem fins lucrativos devem ter acesso a recursos de computação, não apenas as grandes empresas. As entidades reguladoras devem pedir aos desenvolvedores que documentem como as ferramentas de IA foram usadas e quais são os seus limites. E os sistemas de saúde devem começar agora a planear uma questão política básica: se a IA reduz o custo da descoberta inicial, quem deve beneficiar-se dessas economias?

A provável invenção de 2026, então, pode não chegar com o drama que as pessoas esperam. Pode não estar numa prateleira de loja nem a rolar por uma rua. Pode surgir num artigo clínico, num documento regulatório ou no resultado de um ensaio que mostre que uma molécula encontrada com ajuda de máquinas pode tratar pacientes reais. Isso é menos cinematográfico do que um robô doméstico. É também mais importante.

O futuro da ciência é muitas vezes confundido com espetáculo. Na realidade, é muitas vezes uma ferramenta melhor inserida numa antiga luta humana. Em 2026, a invenção mais importante pode ser uma que ajude os pesquisadores a encontrar medicamentos mais rápido, a testar ideias de forma mais inteligente e a dar aos pacientes algo mais valioso do que a novidade: uma chance real de ter mais tempo.