Desenvolver um novo medicamento é um processo longo, caro e com uma elevada taxa de insucesso.
Desde a identificação de uma molécula potencialmente útil até à chegada de um tratamento ao mercado podem passar muitos anos. É necessário compreender a doença, encontrar um alvo terapêutico, desenvolver e testar moléculas, avaliar a segurança, realizar ensaios clínicos e demonstrar que o tratamento é eficaz.
Durante décadas, este processo dependeu sobretudo de investigação laboratorial, experimentação e análise de enormes quantidades de dados.
A inteligência artificial está a introduzir uma nova possibilidade: utilizar modelos computacionais para acelerar algumas destas etapas.
Em 2026, a combinação entre IA e biotecnologia está a transformar a forma como investigadores procuram novos medicamentos, estudam doenças e desenvolvem terapias mais direcionadas.
A promessa não é simplesmente criar medicamentos mais depressa.
É aumentar a capacidade de explorar um universo biológico demasiado complexo para ser analisado apenas através dos métodos tradicionais.
Um problema de escala
O corpo humano é um dos sistemas mais complexos que a ciência tenta compreender.
Milhares de genes, proteínas, células e processos biológicos interagem permanentemente. Uma alteração aparentemente pequena pode desencadear consequências em várias partes do organismo.
Esta complexidade cria um enorme desafio para a investigação farmacêutica.
Existem milhões de potenciais moléculas que poderiam, teoricamente, interagir com diferentes alvos biológicos. Testar cada possibilidade em laboratório seria impossível.
A inteligência artificial pode ajudar a reduzir este espaço de pesquisa.
Em vez de testar todas as possibilidades, algoritmos podem analisar grandes bases de dados e identificar candidatos com características potencialmente interessantes.
A experiência laboratorial continua a ser necessária.
Mas a IA pode ajudar a decidir onde vale mais a pena procurar primeiro.
Da descoberta de moléculas à previsão
Uma das aplicações mais importantes da IA na biotecnologia está relacionada com a descoberta de moléculas.
Modelos computacionais podem analisar características químicas e prever como determinadas moléculas poderão interagir com proteínas ou outros alvos biológicos.
Esta capacidade permite filtrar grandes quantidades de candidatos antes de avançar para testes laboratoriais.
O processo pode ser comparado a procurar uma agulha num palheiro.
A investigação tradicional tenta reduzir progressivamente o número de possibilidades através de experiências.
A IA pode ajudar a identificar, desde o início, quais as regiões desse enorme espaço de possibilidades que parecem mais promissoras.
Esta abordagem pode poupar tempo e recursos.
Mas não elimina a incerteza.
Uma previsão computacional continua a ter de ser confirmada experimentalmente.
O impacto da AlphaFold
Poucas tecnologias demonstraram tão claramente o potencial da inteligência artificial na biologia como o AlphaFold.
Desenvolvido pela Google DeepMind, o sistema conseguiu revolucionar a previsão da estrutura tridimensional das proteínas a partir das suas sequências de aminoácidos.
A importância deste avanço é difícil de exagerar.
As proteínas desempenham funções fundamentais no organismo e a sua estrutura influencia a forma como interagem com outras moléculas.
Conhecer essa estrutura pode ajudar os investigadores a compreender doenças e identificar possíveis alvos para medicamentos.
Em 2024, o AlphaFold 3 expandiu esta capacidade ao modelar interações entre proteínas, ADN, ARN, pequenas moléculas e outros componentes biológicos.
O impacto ultrapassa, por isso, a simples previsão da estrutura de uma proteína.
A IA começa a permitir construir modelos mais completos das interações moleculares que acontecem no organismo.
A biologia torna-se computacional
Esta evolução está a dar origem a uma transformação mais ampla.
A biotecnologia está a tornar-se cada vez mais dependente de ferramentas computacionais.
Sequenciação genética, microscopia avançada, proteómica, transcriptómica e outras tecnologias produzem enormes quantidades de dados.
O desafio passa a ser interpretar toda esta informação.
A inteligência artificial pode procurar relações entre diferentes camadas de dados que seriam difíceis de analisar manualmente.
Um investigador pode combinar informação genética, expressão de genes, características celulares e dados clínicos para procurar padrões associados a determinada doença.
Esta capacidade está a aproximar a biologia da ciência dos dados.
O laboratório continua a ser essencial.
Mas começa a existir um segundo laboratório: o laboratório computacional.
Medicina personalizada e desenvolvimento de medicamentos
A ligação entre IA e biotecnologia também pode transformar a medicina personalizada.
Se os investigadores conseguirem compreender melhor as diferenças moleculares entre pacientes, poderão desenvolver tratamentos mais direcionados.
Uma doença que atualmente é tratada como uma única condição pode, no futuro, ser dividida em vários subtipos biologicamente diferentes.
Cada subtipo poderá responder de forma diferente a determinados tratamentos.
Esta abordagem é particularmente relevante em oncologia.
Dois tumores localizados no mesmo órgão podem apresentar características moleculares muito diferentes.
Em vez de procurar simplesmente “um tratamento para o cancro”, os investigadores podem procurar tratamentos para determinados perfis biológicos de tumor.
A IA pode ajudar a identificar esses perfis e a relacioná-los com possíveis estratégias terapêuticas.
Descobrir novas utilizações para medicamentos existentes
A inteligência artificial não serve apenas para descobrir medicamentos completamente novos.
Também pode ajudar a encontrar novas utilizações para medicamentos já existentes.
Este processo é conhecido como drug repurposing.
Um medicamento desenvolvido originalmente para uma determinada doença pode ter mecanismos biológicos que também são relevantes para outra condição.
Identificar essas relações pode ser extremamente difícil através de métodos tradicionais.
A IA pode analisar literatura científica, dados moleculares, ensaios clínicos e outras fontes para procurar ligações que possam justificar investigação adicional.
A vantagem é particularmente importante porque medicamentos existentes já possuem informação de segurança e farmacologia.
Se uma nova utilização for confirmada, parte do caminho de desenvolvimento pode potencialmente ser mais curto.
Acelerar os ensaios clínicos
A investigação clínica é uma das fases mais demoradas do desenvolvimento de medicamentos.
É necessário encontrar pacientes adequados, organizar centros de investigação, acompanhar participantes e analisar resultados.
A IA pode ajudar em diferentes pontos deste processo.
Algoritmos podem identificar potenciais participantes com base em critérios específicos, analisar registos clínicos e ajudar investigadores a encontrar pacientes que possam ser elegíveis para determinado ensaio.
Também podem ser utilizados para analisar dados recolhidos durante os estudos.
Isto pode contribuir para tornar os ensaios mais eficientes.
No entanto, a complexidade clínica significa que estas ferramentas precisam de ser cuidadosamente validadas.
Encontrar um padrão num conjunto de dados não significa necessariamente que exista uma relação causal.
Biologia generativa
Uma das áreas mais interessantes que está a surgir é a chamada biologia generativa.
A ideia é utilizar modelos de inteligência artificial não apenas para analisar moléculas existentes, mas para desenhar novas moléculas ou estruturas biológicas com determinadas propriedades.
É uma extensão natural do que aconteceu com a IA generativa noutras áreas.
Em vez de gerar texto ou imagens, o sistema pode gerar candidatos biológicos.
Um investigador pode procurar uma molécula com determinadas características e utilizar modelos computacionais para explorar possíveis estruturas.
O resultado pode ser uma aceleração significativa da fase inicial de descoberta.
Mas existe novamente uma diferença entre gerar um candidato e criar um medicamento.
A molécula precisa de ser produzida, testada, otimizada e avaliada relativamente à sua segurança e eficácia.
A IA pode acelerar o processo.
Não pode eliminar a biologia.
A importância do laboratório
É fácil cair na ideia de que a inteligência artificial poderá substituir grande parte da investigação experimental.
A realidade é bastante diferente.
A IA pode fazer previsões.
A ciência precisa de demonstrar se essas previsões correspondem à realidade.
Uma molécula pode parecer promissora num modelo computacional e falhar completamente num teste laboratorial.
Pode apresentar toxicidade.
Pode não ser absorvida pelo organismo.
Pode não atingir o tecido correto.
Pode interagir com outras moléculas de forma inesperada.
É por isso que o futuro da biotecnologia provavelmente será marcado pela integração entre modelos computacionais e experimentação física.
A IA reduz o espaço de pesquisa.
O laboratório valida os resultados.
E os dados produzidos no laboratório podem voltar a alimentar os modelos.
Forma-se um ciclo contínuo entre previsão e experimentação.
Uma nova velocidade para a investigação
A grande vantagem desta integração poderá ser a velocidade.
Se cada ciclo de investigação se tornar mais eficiente, os investigadores podem testar mais hipóteses num período de tempo mais curto.
Isto não significa necessariamente que todos os medicamentos chegarão mais depressa ao mercado.
Os requisitos de segurança e eficácia continuam a existir.
Mas pode significar que mais candidatos são avaliados numa fase inicial e que os projetos com menor potencial são abandonados mais cedo.
Esta capacidade de falhar mais depressa também é importante.
Na investigação farmacêutica, saber que uma determinada abordagem não funciona pode ser tão valioso como encontrar uma solução.
A IA pode ajudar a reduzir o tempo gasto em caminhos pouco promissores.
Do laboratório à indústria
A transformação não está limitada às universidades ou grandes empresas farmacêuticas.
O crescimento de empresas especializadas em biotecnologia computacional está a criar um novo ecossistema.
Startups podem concentrar-se em problemas muito específicos: descoberta de moléculas, análise genética, desenho de proteínas, diagnóstico ou otimização de ensaios clínicos.
Ao mesmo tempo, grandes empresas farmacêuticas estão a estabelecer parcerias com empresas tecnológicas e organizações especializadas em IA.
Esta convergência está a alterar a estrutura da própria indústria.
O desenvolvimento de medicamentos deixa progressivamente de ser uma atividade exclusivamente farmacêutica.
Passa a envolver especialistas em inteligência artificial, ciência de dados, computação, engenharia e biologia.
O problema dos dados
A qualidade da IA depende diretamente da qualidade dos dados utilizados.
Na biotecnologia, este problema é particularmente complexo.
Os dados podem ser incompletos, inconsistentes ou produzidos através de diferentes métodos experimentais.
Diferentes laboratórios podem obter resultados ligeiramente diferentes.
Uma base de dados pode representar melhor determinada população do que outra.
Se estes problemas não forem considerados, os modelos podem produzir previsões enviesadas.
A transparência sobre a origem dos dados e a validação dos modelos serão, por isso, fundamentais.
Não basta um algoritmo apresentar uma elevada precisão num conjunto de testes.
É necessário saber se consegue funcionar de forma consistente em condições reais.
A questão ética
A utilização de inteligência artificial na biotecnologia também levanta questões éticas.
Quanto mais poderosa for a capacidade de desenhar ou modificar estruturas biológicas, maior será a responsabilidade associada à sua utilização.
Existem preocupações relacionadas com privacidade genética, utilização de dados biológicos, propriedade intelectual e segurança.
Também será necessário definir regras claras sobre quem pode utilizar determinadas tecnologias e para que fins.
A inovação científica cria oportunidades, mas também responsabilidades.
Quanto maior for a capacidade tecnológica, maior deverá ser o cuidado na sua aplicação.
Portugal e a oportunidade da bioeconomia
Esta transformação pode também representar uma oportunidade para Portugal.
O país possui universidades, centros de investigação e empresas com atividade em áreas como biotecnologia, saúde, engenharia e ciência de dados.
A convergência entre estas áreas pode criar novas oportunidades de investigação e empreendedorismo.
Não é necessário competir diretamente com os maiores mercados mundiais para participar nesta transformação.
Empresas especializadas em nichos tecnológicos, análise de dados, diagnóstico, investigação clínica ou ferramentas para laboratórios podem encontrar oportunidades numa cadeia de valor global.
A biotecnologia apoiada por IA poderá tornar-se um dos campos onde a colaboração entre ciência e empreendedorismo terá maior importância.
Uma nova era para a descoberta médica
A combinação entre inteligência artificial e biotecnologia está a alterar uma das áreas mais complexas da ciência: a tentativa de compreender e modificar a biologia humana.
A IA não vai substituir os investigadores nem transformar automaticamente uma hipótese numa terapia.
Mas pode acelerar aquilo que os investigadores conseguem explorar.
Pode analisar mais dados, testar virtualmente mais possibilidades, identificar padrões e sugerir candidatos que seriam difíceis de encontrar através de métodos tradicionais.
O resultado poderá ser uma investigação mais rápida, mais direcionada e potencialmente mais personalizada.
A verdadeira revolução não está apenas em utilizar inteligência artificial para descobrir medicamentos.
Está em criar um novo ciclo de investigação em que computadores e laboratórios aprendem continuamente uns com os outros.
Em 2026, este processo ainda está numa fase de desenvolvimento. Muitas promessas terão de ser confirmadas através de investigação rigorosa e ensaios clínicos.
Mas a direção é clara.
A próxima geração de medicamentos poderá começar não apenas num laboratório, mas também num modelo computacional.
E, à medida que a inteligência artificial se torna capaz de compreender cada vez melhor a linguagem da biologia, a fronteira entre tecnologia e medicina poderá tornar-se progressivamente mais difícil de distinguir.
