A Verge Labs, startup de biotecnologia focada em doenças neurodegenerativas, anunciou uma mudança estratégica após o encerramento de um ensaio clínico de fase 1b para um tratamento de Esclerose Lateral Amiotrófica (ELA). O estudo, que buscava validar um candidato a fármaco, foi interrompido após uma taxa elevada de desistência entre os participantes, que relataram intolerância ao composto. Em vez de descartar os dados, a empresa utilizou as informações coletadas para treinar um novo modelo de inteligência artificial voltado à estratificação de pacientes.
A iniciativa marca uma postura atípica no setor farmacêutico, onde o insucesso clínico é frequentemente tratado como uma informação confidencial ou um dado de pouco valor público. Segundo a fundadora Alice Zhang, a transparência sobre os motivos da falha não apenas auxilia a Verge Labs em seus próximos desenvolvimentos, mas também oferece insumos valiosos para o ecossistema de pesquisa em ELA, um campo historicamente marcado por desafios significativos na condução de testes clínicos.
O valor dos dados negativos
O setor de biotecnologia lida com uma escassez crônica de dados de alta qualidade sobre a progressão de doenças complexas. Quando um ensaio clínico falha, a indústria tende a perder anos de trabalho e milhões de dólares sem extrair aprendizados estruturais que possam beneficiar o desenho de estudos subsequentes. A abordagem da Verge Labs sugere que o valor de uma startup de IA aplicada à medicina não reside apenas no sucesso do fármaco, mas na capacidade de processar falhas para refinar algoritmos de predição.
Ao analisar os perfis dos pacientes que não toleraram o medicamento, o novo modelo da Verge Labs busca identificar biomarcadores ou características genéticas que possam prever a resposta ao tratamento. Esse refinamento é crucial, pois a heterogeneidade das doenças neurodegenerativas como Parkinson e Alzheimer torna a seleção de amostras um dos maiores gargalos para a eficácia dos testes clínicos. O modelo atua como um filtro, permitindo que pesquisadores identifiquem subgrupos de pacientes com maior probabilidade de sucesso terapêutico.
Mecanismos de estratificação
A estratificação de pacientes é o processo de segmentar participantes de um estudo com base em critérios biológicos ou clínicos específicos, garantindo que o grupo de teste seja homogêneo o suficiente para medir a eficácia da droga. O modelo da Verge Labs utiliza redes genéticas para mapear como diferentes pacientes processam compostos, cruzando esses dados com a experiência real do ensaio fracassado. A análise permite que a empresa simule, em ambiente digital, como diferentes dosagens ou composições químicas afetariam subgrupos específicos.
Essa metodologia reduz o risco de selecionar pacientes que, por razões genéticas, seriam naturalmente intolerantes ou não responsivos ao tratamento. Ao automatizar essa curadoria, a startup pretende diminuir a taxa de desistência — o principal motivo do fracasso do estudo anterior — e aumentar a precisão dos endpoints clínicos, que são as métricas usadas para determinar se um medicamento está funcionando conforme o esperado.
Implicações para o setor
A transição da Verge Genomics para o foco em modelos de IA da Verge Labs levanta questões sobre o futuro das parcerias entre startups de tecnologia e grandes farmacêuticas. Se a IA conseguir reduzir significativamente o custo e o tempo de falha em fases iniciais, o interesse de gigantes como a Eli Lilly, que já colabora com a empresa na descoberta de alvos terapêuticos, tende a crescer. Para o setor, o desafio é equilibrar a proteção da propriedade intelectual com a necessidade de compartilhar aprendizados sobre falhas comuns.
A regulação também deve observar como esses modelos de IA serão validados para uso em ensaios clínicos futuros. Se a inteligência artificial se tornar o padrão para selecionar pacientes, agências reguladoras precisarão de critérios claros para auditar os algoritmos, evitando vieses que possam excluir subpopulações de pacientes de forma injustificada ou ineficiente.
Perspectivas futuras
A eficácia do modelo da Verge Labs ainda precisará ser comprovada em novos ensaios clínicos, onde a teoria da estratificação será posta à prova em condições reais. A capacidade da empresa de aplicar esse conhecimento em outras doenças neurodegenerativas, como Alzheimer e Huntington, será o próximo teste de escalabilidade da plataforma.
O mercado aguarda para ver se a estratégia de converter dados de falha em ativos de inteligência artificial se tornará uma tendência capaz de reduzir a taxa de insucesso na descoberta de medicamentos, ou se será um caso isolado de adaptação operacional de uma startup em busca de sobrevivência após um revés clínico significativo.
O movimento da Verge Labs reforça que a inteligência artificial na biotecnologia pode ser mais valiosa como ferramenta de diagnóstico e triagem do que apenas como geradora de novas moléculas, alterando a forma como o risco é gerenciado no desenvolvimento de novos tratamentos.
Com reportagem de Brazil Valley
Source · STAT News (Biotech)
