A computação quântica costuma ser apresentada como uma tecnologia capaz de revolucionar diversas áreas da ciência, mas até hoje poucas aplicações práticas conseguiram comprovar esse potencial. Agora, um grupo de pesquisadores decidiu abandonar as promessas grandiosas e testar uma ideia muito mais específica. Em vez de substituir os computadores convencionais, uma pequena máquina quântica foi utilizada para aprimorar uma etapa de uma inteligência artificial. O resultado surpreendeu até os próprios cientistas e pode abrir novos caminhos para o desenvolvimento de terapias personalizadas.
Uma pequena máquina quântica mudou a forma como a IA cria moléculas
O estudo foi conduzido por pesquisadores da Universidade Técnica da Dinamarca (DTU), em parceria com a empresa ORCA Computing e outras instituições europeias. O objetivo era descobrir se um computador quântico poderia contribuir para um problema bastante específico: ajudar uma inteligência artificial generativa a criar peptídeos inéditos quando há poucos dados disponíveis para treinamento.
Ao contrário do que muitos imaginam, o computador quântico não desenvolveu medicamentos sozinho. Toda a arquitetura principal permaneceu baseada em uma rede adversarial generativa (GAN), um modelo de IA formado por dois sistemas que trabalham em conjunto. Enquanto um cria novas sequências de moléculas, o outro avalia se elas se parecem com exemplos reais utilizados durante o treinamento.
A inovação aconteceu logo no início desse processo. Em vez de utilizar números aleatórios produzidos por distribuições matemáticas convencionais para iniciar a geração das moléculas, os pesquisadores decidiram substituir essa etapa por padrões produzidos por um processador quântico fotônico de 32 modos desenvolvido pela ORCA Computing.
Nesse equipamento, fótons percorrem uma rede óptica extremamente complexa. A distribuição final dessas partículas gera padrões altamente correlacionados, que passam a servir como ponto de partida para a inteligência artificial explorar diferentes possibilidades.
Todo o restante do processamento — treinamento do modelo, geração das sequências e análise dos resultados — continuou sendo executado em computadores clássicos. A aposta era que essa “semente” quântica permitiria que a IA explorasse regiões do espaço molecular que normalmente permanecem pouco visitadas pelos modelos tradicionais.
O maior ganho apareceu justamente onde faltavam informações
Os pesquisadores concentraram seus testes em peptídeos compostos por nove aminoácidos capazes de se ligar às moléculas HLA de classe I, proteínas fundamentais para o funcionamento do sistema imunológico. Elas são responsáveis por apresentar fragmentos de proteínas na superfície das células, permitindo que o organismo identifique vírus, bactérias ou até células tumorais.
Esse tipo de pesquisa enfrenta um obstáculo importante: boa parte dos bancos de dados biomédicos foi construída com populações de ascendência europeia. Como consequência, diversas variantes dessas proteínas permanecem pouco estudadas, dificultando o desenvolvimento de tratamentos personalizados para outras populações.
Para o experimento, a equipe treinou o sistema utilizando mais de 105 mil pares de peptídeos e moléculas HLA. Em seguida, cada versão da inteligência artificial gerou mil candidatos para cada uma das 131 variantes analisadas.
Os resultados chamaram atenção. Em cerca de 63% dos casos, o modelo alimentado pelos padrões quânticos produziu uma quantidade maior de candidatos considerados promissores quando comparado ao modelo tradicional.
As diferenças ficaram ainda mais evidentes justamente nas variantes que possuíam poucos exemplos disponíveis durante o treinamento. Em um dos alelos analisados, identificado como HLA-A*68:01, o sistema baseado em computação quântica praticamente dobrou a quantidade de peptídeos considerados fortes candidatos.
Outro aspecto interessante foi a diversidade molecular. Em vez de repetir pequenas variações de uma mesma sequência, a inteligência artificial passou a criar estruturas mais variadas, preservando apenas os pontos essenciais para que os peptídeos continuassem capazes de se ligar corretamente às proteínas do sistema imunológico.
O laboratório confirmou parte dos resultados, mas os cientistas mantêm cautela
Para verificar se as previsões da inteligência artificial realmente funcionavam fora das simulações, os pesquisadores sintetizaram diversos peptídeos em laboratório.
Foram selecionadas três variantes pouco estudadas das moléculas HLA, e os 20 candidatos mais bem classificados para cada uma delas passaram por testes utilizando ensaios ELISA. O objetivo era verificar se realmente conseguiam estabilizar os complexos peptídeo-HLA.
Os resultados foram bastante positivos. Todos os peptídeos testados para duas das variantes analisadas atingiram o desempenho esperado. Na terceira variante também houve diversos sucessos, embora alguns candidatos não tenham apresentado o comportamento previsto, possivelmente devido à escassez de informações disponíveis sobre essa proteína específica.
Apesar disso, os próprios autores destacam que o estudo não representa uma demonstração de “vantagem quântica”. O processador utilizado ainda pode ser simulado por computadores convencionais, e as melhorias observadas, embora consistentes, permanecem relativamente modestas.
Além disso, a pesquisa foi publicada inicialmente como um preprint na plataforma bioRxiv e ainda aguarda revisão por pares.
Mesmo assim, o trabalho representa um avanço importante. Em vez de prometer que a computação quântica descobrirá medicamentos sozinha, os pesquisadores demonstraram que ela pode melhorar uma etapa crítica da inteligência artificial justamente quando os dados disponíveis são escassos.
O próximo desafio será aplicar essa estratégia em proteínas mais complexas e problemas biomédicos ainda maiores. Entre os projetos futuros já estudados pelo grupo estão o desenvolvimento de antídotos sintéticos para venenos de serpentes, novas proteínas terapêuticas e ferramentas para acelerar pesquisas contra câncer, infecções e outras doenças.
