Pular para o conteúdo

Sexta-feira, 20 de novembro de 2026

Geral

Como os computadores ajudam a descobrir novos medicamentos – e até onde conseguem chegar

Ferramentas de biologia computacional ajudam a selecionar moléculas promissoras e orientar experimentos, mas suas previsões ainda não substituem modelos experimentais com células, animais e estudos clínicos em humanos…

Luan Araújo Monteiro, Doutorando em Ciências, Universidade Federal de São Paulo (UNIFESP) — The Conversation Brasil6 min de leitura
WhatsApp
Imagem: Magnific., CC BY
Imagem: Magnific., CC BY

Ferramentas de biologia computacional ajudam a selecionar moléculas promissoras e orientar experimentos, mas suas previsões ainda não substituem modelos experimentais com células, animais e estudos clínicos em humanos Imagem: Magnific., CC BYDesenvolver novos medicamentos não é uma tarefa fácil. O caminho entre identificar uma molécula promissora e disponibilizar um tratamento pode levar, em média, de 10 a 15 anos. Nesse percurso, é preciso investigar como ela funciona, é absorvida, distribuída e metabolizada pelo organismo, além de quais efeitos tóxicos pode causar.

Uma substância capaz de combater células cancerígenas, por exemplo, também pode prejudicar tecidos saudáveis. Por isso, é preciso avaliar a relação entre benefícios e riscos, considerando a doença e as condições em que o tratamento será utilizado. Estudos com células humanas e, quando necessário, com animais são etapas importantes desse processo. Tudo isso exige tempo, infraestrutura e muitos recursos financeiros. Por isso, é preciso decidir logo no início, entre milhares de moléculas possíveis, quais realmente merecem ser investigadas.

A biologia computacional tem sido essencial para orientar essa seleção inicial. Por modelos matemáticos e simulações, computadores conseguem analisar grandes quantidades de informações. Assim, apontam quais substâncias parecem ter maior potencial como candidatas a novos fármacos. Essas ferramentas também podem ser usadas para dar novas aplicações a medicamentos já conhecidos, o que pode acelerar muito o seu desenvolvimento.

Do diabetes às bactérias

Um exemplo interessante é o da halicina, um dos primeiros antibióticos descobertos inteiramente com a ajuda da inteligência artificial. Ela foi criada para combater o diabetes, mas não obteve bons resultados nos testes e logo foi arquivada.

Em 2020, pesquisadores do Instituto de Tecnologia de Massachusetts (MIT), nos EUA, a resgataram de volta aos laboratórios. Eles usaram um modelo computacional para analisar milhares de compostos químicos disponíveis em bancos de dados para pesquisas médicas. Assim, identificaram que a halicina teria o potencial de combater bactérias resistentes a antibióticos.

Mais tarde, essa hipótese foi testada em laboratório e em modelos animais de infecção. A substância apresentou atividade contra diferentes bactérias, inclusive tuberculose. Embora ainda não seja um medicamento aprovado (já que isso requer um longo caminho), o caso mostra o potencial da computação na busca por substâncias promissoras. Mas como isso é feito?

Da molécula ao alvo, ou do alvo à molécula

As ferramentas computacionais permitem investigar propriedades de moléculas antes de determinados experimentos laboratoriais. Isso é feito por meio de triagens virtuais, nas quais algoritmos analisam grandes conjuntos de substâncias.

Um dos tipos começa com alguma molécula conhecida para investigar quais proteínas do corpo poderiam interagir com ela. Essa estratégia é chamada de identificação de alvos farmacológicos, ou target fishing. Ela ajuda a formular hipóteses sobre possíveis mecanismos de ação e aplicações terapêuticas.

Também é possível seguir o caminho inverso e começar pelo alvo biológico. Os pesquisadores podem escolher uma proteína que seja importante para o desenvolvimento de alguma doença. Então, buscar quais moléculas têm as características químicas necessárias para interagir com ela ou bloqueá-la.

Durante minhas pesquisas de pós-graduação na UNIFESP, por exemplo, tenho usado o primeiro mecanismo contra a Doença de Parkinson. Investigo o potencial neuroprotetor de compostos naturais. Busco identificar quais moléculas desses compostos podem atuar sobre alvos específicos da doença. No caso, busco por interações com proteínas envolvidas na resposta inflamatória que ocorre no cérebro, associadas à degeneração dos neurônios. Para isso, combino ferramentas computacionais com modelos experimentais. A partir dessas previsões, seleciono quais compostos merecem ser estudados em profundidade.

Portanto, partindo do alvo ou da substância, em ambos os casos a previsão computacional é apenas o ponto de partida. Ela indica uma possibilidade, mas não comprova que a interação de fato ocorrerá no organismo.

Simular para prever interações

Após identificar potenciais alvos, é preciso investigar como uma molécula poderia interagir com uma proteína. Para isso, existem diferentes ferramentas computacionais, entre elas o docking (ou ancoragem molecular)01077-1) e a dinâmica molecular. Essas são duas técnicas bem consolidadas que utilizo nas minhas pesquisas em Parkinson.

O docking simula diferentes maneiras pelas quais uma molécula pode se acomodar em uma proteína. A partir daí, podemos estimar quais interações químicas seriam mais favoráveis. Essas informações ajudam a formular hipóteses sobre como uma substância poderia ativar ou inibir determinada proteína. Porém, ainda é preciso ir além para demonstrar que isso acontecerá de fato.

Já a dinâmica molecular permite simular como moléculas e proteínas se movimentam e mudam de conformação ao longo do tempo, sob determinadas condições. Ela oferece uma visão mais dinâmica do sistema, mas não reproduz integralmente a complexidade do organismo.

Essas técnicas não dependem necessariamente de Inteligência Artificial, embora possam ser complementadas com recursos dessa tecnologia, ampliando suas possibilidades de aplicação. Juntas, elas fornecem informações que ajudam a selecionar compostos e planejar os experimentos seguintes.

A comprovação ainda é experimental

Por mais sofisticadas que sejam, as previsões computacionais não comprovam, isoladamente, a eficácia ou a segurança de uma substância. Uma molécula pode apresentar interações promissoras em uma simulação e, ainda assim, não funcionar no organismo. Ela pode, por exemplo, ser rapidamente metabolizada, não alcançar o tecido onde deveria agir ou provocar efeitos indesejados.

Por isso, as previsões precisam ser confrontadas com evidências experimentais obtidas em modelos adequados a cada pergunta de pesquisa. Culturas de células e outros sistemas experimentais podem ajudar a testar hipóteses que surgem nas simulações. Quando necessário, estudos com animais permitem investigar aspectos que não podem ser avaliados nesses modelos. Mesmo esses resultados positivos ainda não garantem que haverá benefício em seres humanos: essa avaliação depende dos estudos clínicos.

Reconhecer essas limitações é importante para evitar conclusões precipitadas. Não existe um modelo perfeito, capaz de reproduzir sozinho toda a complexidade de um organismo. Cada método responde melhor a determinados tipos de pergunta, e a força da pesquisa está justamente na combinação entre diferentes abordagens.

O que podemos (ou não) esperar dessas tecnologias?

A biologia computacional amplia as possibilidades na busca por novos medicamentos, mas ainda tem muitos limites. A qualidade dos dados e a escolha dos métodos influenciam a confiabilidade das previsões. Também são necessários profissionais qualificados e infraestrutura adequada. Embora existam ferramentas gratuitas e de código aberto, algumas análises exigem recursos computacionais especializados. E eles nem sempre são acessíveis a todos os grupos de pesquisa.

Ao selecionar candidatos mais promissores, identificar possíveis riscos e orientar o planejamento de experimentos, essas ferramentas permitem pesquisas mais eficientes. Assim, contribuem para evitar estudos desnecessários e, potencialmente, ajudam a reduzir o uso de animais na pesquisa.

No entanto, os modelos computacionais não eliminam a necessidade de pesquisadores nem substituem a infraestrutura necessária para testar suas previsões. Laboratórios, equipamentos, culturas celulares e, em determinadas etapas, modelos animais continuam sendo necessários para transformar uma hipótese em evidência.

Para quem espera que a Inteligência Artificial elimine os testes experimentais, é importante entender suas limitações. Ainda estamos longe de transformar uma previsão computacional em um tratamento seguro. Entre uma molécula promissora e um medicamento disponível para pacientes continua existindo um longo caminho de ciência, infraestrutura e validação.

Luan Araújo Monteiro recebeu financiamento da CAPES (código final: 001) e FAPESP #2020/11554-0 e #2025/15454-0.

Artigo publicado originalmente na The Conversation Brasil sob licença Creative Commons. O texto não foi alterado.

Mais em Geral

Ver editoria