A indústria farmacêutica vive sob a tirania da Lei de Eroom — o reverso da Lei de Moore, onde o custo para desenvolver um novo medicamento dobra a cada nove anos desde a década de 1950. Com um ciclo de P&D que pode levar 15 anos, custar mais de US$ 2 bilhões e ter uma taxa de falha superior a 90%, a inteligência artificial surgiu como a principal aposta para tornar o processo mais rápido, barato e eficiente.
A promessa é usar IA para desenhar e testar compostos in silico, antes de comprometer recursos em caros testes de laboratório. O objetivo é reduzir o risco na fase clínica, a mais custosa de todo o processo. Contudo, segundo uma análise aprofundada do MIT Technology Review, a euforia inicial está dando lugar a um desafio estrutural: a eficácia da IA é diretamente proporcional à qualidade dos dados que a alimentam, e os dados disponíveis são insuficientes.
O muro de dados e o viés do sucesso
O principal obstáculo que os modelos de IA enfrentam é o que Paul Belcher, diretor de estratégia de pesquisa de proteínas da Cytiva, chama de “muro de dados”. Muitos algoritmos foram treinados com bases de dados públicas e, como todos bebem da mesma fonte, chegam a conclusões similares, com retornos decrescentes. O problema é agravado pela falta de estrutura e padronização desses dados, que não foram originalmente coletados com o treinamento de IA em mente.
Mais profundo, porém, é o viés de publicação. A ciência, por natureza, celebra e divulga o sucesso. Experimentos que falham, compostos que não funcionam e resultados negativos raramente são publicados, ficando enterrados em cadernos de laboratório. “Brincamos que deveria haver um periódico de dados negativos”, afirmou Belcher na reportagem. Essa lacuna cria modelos de IA com um ponto cego fundamental: eles aprendem a identificar padrões associados ao sucesso, mas não compreendem as razões do fracasso, o que tornaria suas previsões muito mais robustas.
Rumo ao laboratório autônomo
A visão de futuro para o setor é o laboratório autônomo, ou lab-in-the-loop, onde a IA executa ciclos contínuos de previsão, teste e otimização, com mínima intervenção humana. Nesses sistemas, os resultados dos testes físicos (no wet lab) são automaticamente reincorporados para refinar os modelos preditivos (no dry lab), criando um ciclo virtuoso de aprendizado. Contudo, a maioria dos laboratórios ainda opera com instrumentos isolados, que funcionam como ecossistemas fechados e impedem o fluxo de dados.
A transição para esse modelo exige uma infraestrutura integrada e dados que sigam o padrão FAIR (Findable, Accessible, Interoperable, and Reusable). A integridade dos dados também se torna crítica, especialmente com o avanço da IA generativa, que facilita a fabricação de resultados. Ferramentas que verificam a autenticidade de imagens científicas, usando tecnologias como algoritmos de hash, começam a surgir como uma resposta a esse risco, garantindo que os dados que treinam os modelos sejam genuínos.
Ainda não há nenhum medicamento totalmente aprovado pela FDA que tenha sido descoberto primariamente por IA, mas a expectativa é que os primeiros cheguem ao mercado nos próximos dois a três anos. A tensão, agora, reside no equilíbrio: o custo para treinar modelos de ponta também está crescendo exponencialmente. A aposta é que, enquanto o custo computacional não superar o custo do desenvolvimento clínico, a IA continuará sendo uma vantagem estratégica. O desafio deixou de ser apenas sobre algoritmos e passou a ser sobre a infraestrutura e a cultura de dados que os sustentam.
Com reportagem de Brazil Valley
Source · MIT Technology Review
