A IA que Cria Remédio

Existe um número que define a indústria farmacêutica há décadas: 2,6 bilhões de dólares. É o custo médio, capitalizado, para trazer um único medicamento aprovado ao mercado. O processo leva de 10 a 15 anos e tem uma taxa de fracasso superior a 90% em ensaios clínicos ^[1]. Para cada remédio que chega à farmácia, dezenas de bilhões foram queimados em compostos que não funcionaram. Em 2025, esse número ganhou um contraponto perturbador. A Insilico Medicine, uma empresa sino-americana de descoberta de fármacos por IA, publicou no Nature Medicine os resultados de Fase IIa de um medicamento chamado Rentosertib (ISM001-055), desenvolvido para fibrose pulmonar idiopática, uma doença fatal com tratamentos limitados ^[2]. O detalhe que mudou a conversa não foi a molécula em si: foi o tempo. Da hipótese terapêutica inicial até a nomeação do candidato pré-clínico, o processo levou 18 meses. Até a Fase I em humanos, menos de 30 meses ^[3]. No modelo tradicional, só a descoberta inicial costuma levar de 3 a 6 anos.

O que torna Rentosertib diferente de tudo que veio antes

Rentosertib é descrito como o primeiro medicamento do mundo em que tanto o alvo terapêutico (a proteína no corpo que o remédio ataca) quanto a estrutura molecular do composto foram descobertos e desenhados por inteligência artificial, a entrar em Fase II de ensaios clínicos ^[4]. A Insilico usou sua plataforma end-to-end chamada Pharma.AI para identificar a TNIK (TRAF2- and NCK-interacting kinase) como um alvo pan-fibrótico relevante e então gerar quimicamente a molécula que a inibe. Não foi uma IA que escolheu um composto numa lista existente. Foi uma IA que propôs um alvo novo e desenhou uma molécula inédita do zero. O resultado prático mais impressionante é o número de moléculas testadas. A triagem tradicional de alto rendimento (high-throughput screening), método padrão da indústria, testa milhares de compostos em robôs para encontrar candidatos promissores. A Insilico sintetizou e testou apenas 78 moléculas antes de chegar ao candidato final ^[1]. Isso não é acelerar a busca, é encurtar a lista de candidatos antes de entrar no laboratório. A diferença entre testar 78 moléculas e testar milhares não é otimização de processo. É uma mudança epistemológica: a IA não busca mais na resposta certa num mar de possibilidades, ela propõe a resposta com confiança estatística antes de qualquer experimento físico.

Como a IA encurta uma década em meses

A plataforma Pharma.AI opera em três camadas interligadas. A primeira, chamada PandaOmics, analisa grandes conjuntos de dados biômicos e clínicos para identificar alvos terapêuticos: proteínas ou vias metabólicas que, se moduladas, podem alterar o curso de uma doença. Em vez de um time de biólogos revisando literatura por meses, o sistema propõe candidatos em dias, ranqueados por relevância e novidade. A segunda camada, Chemistry42, usa IA generativa para desenhar moléculas que interajam com o alvo escolhido, como um arquiteto projetando uma chave para uma fechadura específica. A terceira integra automação de laboratório: as moléculas propostas são sintetizadas, testadas e os resultados alimentam de volta o modelo para re-treinamento ^[5]. Esse loop de feedback é o que diferencia a IA generativa de ferramentas anteriores como o AlphaFold, que prevê a estrutura 3D de proteínas mas não desenha medicamentos. AlphaFold, que valeeu o Nobel de Química de 2024 para Demis Hassabis e John Jumper, do Google DeepMind, resolveu metade da equação: saber a forma da fechadura. A IA generativa farmacêutica resolve a outra metade: desenhar a chave. Juntas, são uma combinação que a indústria levou 50 anos para conseguir digitalizar.

É tentador ler os números da Insilico e concluir que a descoberta de fármacos por IA já é uma realidade estabelecida. Não é. A Fase IIa publicada no Nature Medicine mostrou segurança e eficácia preliminar em um número pequeno de pacientes ^[2]. Rentosertib ainda precisa passar por Fase IIb e Fase III, ensaios com centenas ou milhares de pacientes, antes de qualquer aprovação regulatória. Mais de 90% das moléculas que entram em Fase I nunca chegam ao mercado, e a IA pode até encurtar o caminho até o ensaio clínico, mas não elimina a taxa de falha dentro dele. O Harvard Business School produziu um case study sobre exatamente essa tensão, intitulado Insilico's Rentosertib Dilemma: A Star in the Pipeline?, explorando os trade-offs reais que uma biotech nativa de IA enfrenta quando o programa avança da descoberta para o desenvolvimento clínico ^[4].

A IA não cura doença. A IA encurta o tempo entre ter uma ideia e testar se ela funciona. O que acontece depois, dentro do corpo humano, continua sendo o problema mais caro e imprevisível da medicina. Acelerar a descoberta sem acelerar a validação clínica é como construir um carro de Fórmula 1 e colocá-lo numa estrada de terra.

- Gabriel Krüger, Arquiteto de Operações com IA

A Insilico não está sozinha. O mercado se moveu com força em 2025 e 2026. A Eli Lilly se uniu à NVIDIA para construir uma fábrica de IA dedicada à descoberta de medicamentos, com investimento de 250 milhões de dólares numa parceria adicional com a Purdue University ^[6]. A Novo Nordisk, fabricante do Ozempic, firmou parceria com a Amazon para criar um super laboratório de descobertas ^[7]. A Earendil Labs, uma startup de biológicos por IA, captou 787 milhões de dólares em rodada de investimento em março de 2026 ^[6]. Mais de 11 gigantes farmacêuticas comprometeram mais de 150 bilhões de dólares nos últimos cinco anos para licenciar ativos de biotech, sendo que candidatos originados na China já representam cerca de 40% dos acordos de licenciamento ^[6].

O que isso significa na prática para quem opera negócios com IA:

• Descoberta acelerada não é eliminação de risco. A IA comprime o tempo de pesquisa, mas a taxa de falha clínica continua alta. O valor está em testar mais hipóteses em menos tempo, não em garantir que cada uma vá funcionar.
• O modelo end-to-end vence o ponto-a-ponto. A Insilico acelerou porque integrou descoberta de alvo, desenho molecular e feedback de laboratório num só loop. Empresas que aplicam IA em apenas uma etapa do processo veem ganhos marginais, não transformacionais.
• Validação humana continua sendo o gargalo caro. Quanto mais rápido a IA propõe candidatos, mais claro fica que o limite real não é a velocidade do algoritmo, mas a velocidade e o custo do ensaio clínico.

Para quem trabalha com IA aplicada a negócios, o caso da Insilico oferece uma lição que extrapola a farmácia. O valor transformacional da IA não está em automatizar a última etapa de um processo lento. Está em redesenhar o processo inteiro para que a velocidade da IA se torne a velocidade do sistema. Listar três tarefas lentas e testar IA em cada uma não é um exercício de produtividade. É um exercício de imaginar como seria a operação se o tempo de ciclo fosse comprimido para um terço. A Insilico não acelerou a triagem de moléculas. Ela redefiniu o que significa descobrir um medicamento. A pergunta que fica é: qual processo seu está esperando o mesmo tipo de redefinição?