Como a integração de tecnologias humanas e inteligência artificial está impactando a descoberta e o desenvolvimento de medicamentos

Introdução

O desenvolvimento de medicamentos vive um momento de inflexão. Ao mesmo tempo em que se acumulam avanços científicos e tecnológicos, persiste um problema estrutural: a baixa previsibilidade dos modelos pré-clínicos para a translação clínica. Estima-se que cerca de 90% dos candidatos a medicamentos falham ao longo dos ensaios clínicos, evidenciando a dificuldade de translação dos resultados experimentais em benefícios reais para pacientes.

Historicamente, a experimentação animal desempenhou papel central nesse processo. No entanto, suas limitações científicas e as crescentes demandas éticas estão impulsionando uma transição em direção a abordagens mais diretamente baseadas na biologia humana. Nesse contexto, surgem as chamadas Novas Metodologias de Abordagem (New Approach Methodologies, NAMs), que integram sistemas celulares humanos, modelos microfisiológicos e inteligência artificial.

Este artigo discute a evolução recente ocorrida neste campo, explorando o papel histórico dos modelos animais, suas limitações e o potencial transformador das NAMs.

O papel histórico e os limites dos modelos animais

Desde o final da Segunda Guerra Mundial, os modelos animais foram fundamentais para o avanço da ciência biomédica e para o desenvolvimento de medicamentos e vacinas. O uso de animais permitiu compreender mecanismos fisiopatológicos de doenças crônicas, desenvolver vacinas e testar a segurança de medicamentos antes de sua aplicação em humanos. Camundongos, ratos, cães e primatas não humanos contribuíram decisivamente para a identificação de novos alvos terapêuticos e para a validação de hipóteses biológicas.

Apesar dessa relevância histórica, limitações importantes tornaram-se evidentes. Diferenças entre espécies, especialmente em relação ao metabolismo, sistema imune e regulação genética, comprometem a extrapolação dos resultados obtidos em animais para humanos. Estudos indicam que a grande maioria dos fármacos em desenvolvimento falha em ensaios clínicos, especialmente nos estudos de fase II, sendo uma parcela significativa dessas falhas atribuída a toxicidades não previstas em modelos animais, aliada à falta de eficácia clínica.

Além disso, os modelos animais apresentam características que os distanciam da realidade clínica. Os animais são, em geral, utilizados ainda jovens, além de serem geneticamente homogêneos e livres de comorbidades, contrastando com a realidade da população humana, que é heterogênea e frequentemente apresenta múltiplas comorbidades associadas. Questões metodológicas também contribuem para a baixa reprodutibilidade, incluindo falhas em randomização, cegamento e viés de publicação, entre outros.

A pandemia de COVID-19 ilustrou bem essas limitações. Embora modelos animais tenham sido e continuem sendo essenciais para estudar a doença e desenvolver vacinas, nenhuma espécie animal conseguiu reproduzir integralmente a complexidade das doenças em humanos, especialmente aquelas que acometem o sistema nervoso central.

Pressões éticas e regulatórias

Paralelamente às limitações científicas, cresce na sociedade a pressão social para reduzir o uso de animais na pesquisa biomédica. O debate ético, intensificado nas últimas décadas, levou governos e instituições a estabelecer metas para substituição, redução e refinamento da experimentação animal.

Nos Estados Unidos e no Reino Unido, por exemplo, políticas recentes incentivaram o uso de métodos alternativos e estabeleceram metas concretas de redução, especialmente em estudos envolvendo cães e primatas. A aprovação de legislações permitindo o uso de modelos humanos e computacionais antes de testes em animais reflete uma mudança regulatória significativa. Esse movimento não implica a eliminação imediata dos modelos animais, mas sinaliza uma transição progressiva para abordagens mais preditivas e eticamente sustentáveis.

A ascensão das metodologias centradas no ser humano

Os sistemas celulares humanos representam o ponto de partida dessa mudança. Células primárias, derivadas diretamente de tecidos humanos, preservam características fisiológicas importantes e permitem a avaliação de efeitos farmacológicos em contextos biologicamente relevantes. Linhagens celulares imortalizadas, por sua vez, oferecem escalabilidade e reprodutibilidade, sendo, por isso, amplamente utilizadas em etapas iniciais de triagem para a descoberta de novos medicamentos. No entanto, o avanço mais transformador nesse campo ocorreu com o uso de células-tronco pluripotentes induzidas, que possibilitam a geração de diferentes tipos celulares a partir de um mesmo indivíduo. Essas células mantêm a assinatura genética do paciente, permitindo a modelagem de doenças de forma personalizada e abrindo caminho para terapias mais direcionadas.

As NAMs podem representar uma resposta direta às limitações dos modelos tradicionais. Baseiam-se na utilização de sistemas humanos capazes de capturar com maior fidelidade a complexidade biológica. Células humanas primárias e linhagens celulares continuam sendo ferramentas importantes, mas o avanço mais significativo foca no uso de células-tronco pluripotentes induzidas. Essas células permitem gerar diferentes tipos celulares, mantendo a assinatura genética do indivíduo, possibilitando a modelagem de doenças e a avaliação de terapias de forma personalizada.

Os órgãos-em-chip utilizam dispositivos microfluídicos para simular o ambiente físico dos tecidos, incluindo fluxo de fluidos, forças mecânicas e gradientes químicos. Esses sistemas permitem estudar a dinâmica dos fármacos em condições mais próximas das encontradas no corpo humano, incluindo absorção, distribuição, metabolismo e excreção. A integração de múltiplos tecidos em plataformas interconectadas permite, por outro lado, simular interações sistêmicas, aproximando-se de uma representação funcional do organismo humano.

Além disso, o desenvolvimento de organoides humanos ampliou ainda mais essa capacidade, pois possuem estruturas tridimensionais capazes de reproduzir as características funcionais e estruturais de órgãos humanos, permitindo estudar doenças complexas e testar medicamentos em sistemas biologicamente relevantes. Ademais, as tecnologias de órgãos-em-chip incorporam elementos físicos como fluxo e forças mecânicas, simulando condições fisiológicas com maior precisão.

Esses sistemas já demonstraram capacidade superior em alguns contextos. O modelo Liver-Chip, por exemplo, apresentou alta eficácia na identificação de toxicidade hepática, incluindo casos não detectados em modelos animais.

Inteligência artificial e integração de dados no desenvolvimento de fármacos

Apesar de existirem cerca de 20 mil genes codificadores de proteínas no genoma humano, apenas uma fração limitada foi explorada até o momento como alvo terapêutico. Esse cenário revela uma ampla oportunidade para a descoberta de novos medicamentos. Nesse contexto, a inteligência artificial (IA) tem se destacado ao permitir a exploração sistemática desse “espaço inexplorado”, integrando dados genômicos, transcriptômicos, proteômicos, clínicos e provenientes da literatura científica para identificar alvos com maior probabilidade de sucesso.

A IA atua como um elemento integrador dessas abordagens, sendo capaz de processar grandes volumes de dados e gerar modelos preditivos robustos. Isso contribui para acelerar o processo de descoberta de fármacos e aprimorar a tomada de decisão ao longo do desenvolvimento. Algoritmos avançados possibilitam o desenho de novas moléculas, a otimização de propriedades farmacocinéticas e farmacodinâmicas, e a redução do número de experimentos necessários nas etapas pré-clínicas. Modelos multimodais, que combinam dados biológicos, clínicos e de imagem, oferecem uma compreensão mais abrangente da biologia humana. Além disso, abordagens de aprendizado ativo tornam o processo experimental mais eficiente ao priorizar hipóteses com maior potencial informativo.

Entre os conceitos emergentes mais promissores, destaca-se o de “gêmeos digitais”, modelos computacionais que simulam o comportamento de pacientes individuais. Essa tecnologia permite prever respostas terapêuticas, ajustar regimes de dose e antecipar efeitos adversos, aproximando o desenvolvimento de medicamentos de uma abordagem verdadeiramente personalizada.

Nos últimos anos, tem-se observado um número crescente de candidatos a fármacos em desenvolvimento clínico que foram gerados parcial ou integralmente com o auxílio de IA. Esse avanço reforça o potencial transformador dessas tecnologias, especialmente nas etapas iniciais do pipeline, como identificação de alvos, priorização de candidatos e desenho molecular.

Alguns exemplos de medicamentos em fases clínicas avançadas desenvolvidos com auxílio de IA

· ISM001-055 – desenvolvido pela Insilico Medicine, em fase II, para o tratamento da fibrose pulmonar idiopática.

· Rentosertib (ISM0001) – também da Insilico Medicine, em fase II, direcionado principalmente para fibrose pulmonar idiopática e outras doenças fibróticas.

· DSP-1181 – desenvolvido pela Exscientia em parceria com a Sumitomo Pharma, em fase I, para transtorno obsessivo-compulsivo (TOC).

· EXS4318 – candidato da Exscientia, em fase I, com foco em doenças inflamatórias e imunomediadas.

· BEN-2293 – desenvolvido pela BenevolentAI, em fase I/II, para psoríase e outras doenças inflamatórias.

· REC-994 – desenvolvido pela Recursion Pharmaceuticals, em fase II, para malformações cavernosas cerebrais.

· Bamlanivimab (LY-CoV555) – descoberto com apoio de IA pela AbCellera em parceria com a Eli Lilly, alcançou fase III e obteve autorização de uso emergencial para COVID-19.

O futuro da inteligência artificial no desenvolvimento de medicamentos aponta para uma transformação estrutural do modelo tradicional de P&D farmacêutico. A tendência é a consolidação de plataformas integradas, capazes de conectar dados multi-ômicos, informações clínicas do mundo real e evidências da literatura científica em tempo quase real, permitindo decisões mais rápidas e fundamentadas. A evolução de modelos generativos e multimodais deve ampliar ainda mais a capacidade de identificar novos alvos, projetar moléculas com maior precisão e antecipar riscos de segurança e falhas clínicas. Paralelamente, o uso de gêmeos digitais e simulações avançadas tende a reduzir custos, tempo e dependência de modelos experimentais tradicionais, aproximando o desenvolvimento de uma abordagem personalizada e preditiva.

No contexto do desenvolvimento de fármacos, um “gêmeo digital” funciona como uma “cópia virtual” de um paciente ou população, permitindo simular como um organismo responderia a diferentes intervenções terapêuticas antes da realização de estudos em humanos. Isso inclui prever eficácia, ajustar doses, antecipar efeitos adversos e identificar subgrupos de pacientes com maior probabilidade de resposta ao tratamento. Já as simulações avançadas ampliam essa capacidade ao testar virtualmente milhares de cenários experimentais, incluindo variações moleculares, esquemas de tratamento ou combinações de fármacos, de forma rápida e com menor custo.

No entanto, para que esse potencial se concretize plenamente, será essencial enfrentar desafios importantes relacionados à qualidade e padronização dos dados, transparência e interpretabilidade dos algoritmos, além de aspectos regulatórios e éticos significativos. Em conjunto, esses avanços indicam que a IA não apenas acelerará a descoberta de novos fármacos, mas também redefinirá os paradigmas de inovação terapêutica nas próximas décadas.

Limitações e desafios das novas abordagens

Apesar do potencial das NAMs, desafios importantes ainda necessitam ser superados. Sistemas como organoides e órgãos-em-chip ainda não reproduzem completamente a complexidade de um organismo inteiro, especialmente em aspectos nos quais ocorrem interações sistêmicas, como nas doenças crônicas relacionadas ao envelhecimento. A validação regulatória dessas tecnologias é outro obstáculo significativo a ser superado. Para serem aceitas por agências regulatórias, é necessário demonstrar precisão, reprodutibilidade e relevância clínica comparáveis ou superiores aos modelos tradicionais.

Além disso, a integração de dados e a padronização metodológica ainda são limitadas, e o uso de inteligência artificial levanta questões relacionadas à transparência e interpretabilidade dos modelos.

Um futuro híbrido para a pesquisa biomédica

O cenário atual aponta para um modelo híbrido, no qual diferentes abordagens são combinadas de forma complementar. Em vez de substituir completamente os modelos animais, as NAMs tendem a assumir um papel crescente, especialmente nas fases iniciais de desenvolvimento de novos medicamentos e nos estudos para avaliar o mecanismo de ação de um novo medicamento.

Os modelos animais, por sua vez, deverão ser utilizados de forma mais estratégica e restrita, principalmente em situações em que a complexidade sistêmica ainda não pode ser reproduzida in vitro. Essa integração permite aproveitar as vantagens de cada sistema, aumentando a eficiência e a previsibilidade do desenvolvimento de medicamentos.

Conclusão e perspectivas

A pesquisa biomédica atravessa uma transformação profunda, impulsionada por limites científicos do modelo tradicional e por crescentes demandas éticas e sociais. Embora a experimentação animal tenha sido essencial para o avanço da medicina desde o final da Segunda Guerra Mundial, seu uso isolado já não atende plenamente às necessidades atuais.

O desenvolvimento de medicamentos caminha progressivamente para abordagens baseadas na biologia humana, com modelos animais assumindo um papel cada vez mais complementar. Metodologias centradas no ser humano, aliadas a ferramentas como a inteligência artificial, tendem a ampliar a precisão, podendo reduzir custos e acelerar a inovação terapêutica.

Mais do que uma evolução tecnológica, trata-se de uma mudança conceitual: alinhar a pesquisa à complexidade real da biologia humana pode tornar o processo mais eficiente, previsível e relevante para os pacientes, aproximando-nos de uma medicina verdadeiramente personalizada desde as fases iniciais de desenvolvimento.

Essa transição, no entanto, será gradual e dependerá de avanços regulatórios, padronização e fortalecimento de capacidades técnicas. Se bem conduzida, poderá inaugurar uma nova era no desenvolvimento de medicamentos, mais eficiente, ética e alinhada com a realidade biológica humana.

Referências

Acosta JN, Falcone GJ, Rajpurkar P, Topol EJ. Multimodal biomedical AI. Nature Medicine. 2022;28:1773–1784.

Ingber DE. Human organs-on-chips for disease modelling, drug development and personalized medicine. Nature Reviews Genetics. 2022;23:467–491.

Low LA, Mummery C, Berridge BR, Austin CP, Tagle DA. Organs-on-chips: into the next decade. Nature Reviews Drug Discovery. 2021;20:345–361.

Waring MJ et al. An analysis of the attrition of drug candidates from four major pharmaceutical companies. Nature Reviews Drug Discovery. 2015;14:475–486.

Zhavoronkov A et al. Deep learning enables rapid identification of potent DDR1 kinase inhibitors. Nature Biotechnology. 2019;37:1038–1040.

Pun FW et al. Target identification and assessment in the era of AI. Nature Reviews Drug Discovery. 2026. doi:10.1038/s41573-026-01412-8.

National Academies of Sciences, Engineering, and Medicine. Digital Twins: Foundational Research Gaps and Future Directions for Digital Twins. 2024.

BenevolentAI. Drug discovery pipeline.

Exscientia. AI-designed drug discovery pipeline.

Owkin. AI for drug discovery.

Healx. Rare disease drug discovery.

Verge Genomics. Pipeline overview.