Antes de um medicamento chegar aos pacientes, pesquisadores precisam selecionar compostos, investigar como eles funcionam e descobrir quais merecem avançar. A Potential Sciences quer melhorar essa seleção ainda no computador. Sua proposta combina simulações baseadas nas leis da física com inteligência artificial para prever o comportamento de moléculas. A ambição é reservar tempo e recursos do laboratório para candidatos mais promissores, embora demonstrar segurança e eficácia continue exigindo testes experimentais e clínicos.I
O problema começa nos dados que alimentam a IA
A inteligência artificial aplicada à química precisa de exemplos confiáveis para aprender. Esses dados ajudam os modelos a identificar relações entre a estrutura de uma molécula, suas propriedades e suas possíveis interações.
Entretanto, produzir informação experimental custa tempo e dinheiro. Bases computacionais podem complementar esse material, mas cálculos simplificados nem sempre capturam diferenças pequenas que influenciam a ligação de um composto a um alvo ou o resultado de uma reação.
Segundo a Sovereign AI, que anunciou investimento na empresa, existem métodos mais precisos de simulação. O obstáculo é o custo de executá-los na escala necessária para treinar modelos modernos. A Potential Sciences procura reduzir essa barreira com software de química quântica adaptado a GPUs, processadores capazes de executar muitas operações em paralelo.
A proposta segue uma lógica direta: gerar dados químicos de alta qualidade em quantidade suficiente para que os modelos aprendam a fazer previsões melhores. O sucesso, porém, depende tanto da fidelidade das simulações quanto da capacidade de transformar seus resultados em previsões úteis.
Simular primeiro para escolher melhor o que fabricar
Fundada por Hatem Helal, a Potential Sciences começou com foco na descoberta de medicamentos de pequenas moléculas. Entre as aplicações previstas estão a otimização de compostos promissores, a previsão de reações e o desenvolvimento de fármacos covalentes.
A empresa pretende treinar modelos capazes de antecipar o comportamento de substâncias antes de sua fabricação. No longo prazo, quer ampliar essa abordagem para outras áreas, como catalisadores, enzimas e materiais.
Em entrevista à WIRED, Helal descreveu o objetivo de fazer moléculas destinadas ao fracasso clínico falharem mais cedo no processo de pesquisa. A startup também aposta que uma redução de custos poderia tornar mais viável investigar doenças raras e tratamentos mais personalizados.
Essas possibilidades ainda representam a ambição da companhia. A reportagem ressalta que prever com a precisão desejada como candidatos a medicamentos se ligam às proteínas relacionadas a doenças exigirá avanços importantes.
A utilidade prática estaria em orientar a próxima decisão: quais moléculas vale a pena produzir, quais modificações merecem investigação e quais caminhos parecem pouco promissores. Cada previsão precisaria demonstrar que melhora essa escolha diante de resultados reais.
A promessa de reduzir em cem vezes o custo dos cálculos
Um dos principais argumentos técnicos da startup envolve a eficiência computacional. Segundo a Nauta Capital, participante da rodada de investimento, a empresa reconstruiu ferramentas de química quântica para aproveitar melhor o hardware atual.
A tecnologia utiliza cálculos conhecidos pela sigla CCSD(T), um método de referência para investigar propriedades eletrônicas de moléculas. A companhia afirma executá-los a um custo cem vezes menor do que implementações tradicionais, o que permitiria gerar dados para milhões de moléculas em vez de milhares.
Esse número precisa acompanhar seu contexto. Trata-se de uma afirmação sobre o custo de determinados cálculos, divulgada por participantes do investimento. Ele não significa que desenvolver um medicamento completo ficará cem vezes mais barato ou mais rápido.
A Sovereign AI também informa a redução declarada de custo e oferecerá acesso a recursos computacionais por meio da infraestrutura britânica AI Research Resource. O apoio deve ajudar a executar simulações em escala e produzir milhões de cálculos para o treinamento dos modelos.
Uma molécula promissora ainda precisa sobreviver à biologia
Selecionar um composto é apenas o começo do desenvolvimento farmacêutico. Um candidato pode apresentar propriedades interessantes e, depois, revelar dificuldades que impedem seu avanço.
A FDA descreve a fase de descoberta e desenvolvimento como uma investigação que inclui absorção, distribuição, metabolismo e eliminação pelo organismo. Os pesquisadores também precisam estudar o mecanismo de ação, a dose, a forma de administração e a toxicidade.
Outras questões envolvem interações com tratamentos existentes e diferenças de resposta entre grupos de pessoas. Assim, prever uma ligação favorável a uma proteína responde a uma parte do problema, mas deixa muitas perguntas em aberto.
Um exemplo ajuda a dimensionar essa distância. Mesmo que um composto reconheça o alvo pretendido, ainda será necessário descobrir se ele chega ao local adequado no organismo, em quantidade suficiente e sem provocar efeitos que inviabilizem seu uso. A seleção computacional pode orientar a investigação dessas questões; as respostas precisam de validação.
O laboratório continua no caminho até o paciente
A expressão “descobrir medicamentos sem entrar primeiro no laboratório” descreve uma mudança na ordem e na quantidade de experimentos iniciais. Ela não elimina as etapas que demonstram o benefício de um tratamento.
Conforme o processo de desenvolvimento apresentado pela FDA, a pesquisa pré-clínica investiga questões básicas de segurança antes dos estudos em pessoas. Na pesquisa clínica, os candidatos passam por avaliações de segurança e eficácia. Os dados seguem então para análise regulatória, e o monitoramento continua após a comercialização.
É nesse percurso que a proposta da Potential Sciences terá de provar seu valor. Previsões convincentes no computador precisam levar a decisões melhores nos experimentos seguintes. Caso contrário, a velocidade da simulação pode apenas acelerar a produção de hipóteses que não se confirmam.
A empresa entra nesse desafio com financiamento de investidores privados e apoio britânico em computação. A expectativa é que melhores dados tornem a IA mais útil para a química. O teste decisivo será mostrar que as moléculas selecionadas dessa forma avançam com resultados que justifiquem a aposta — primeiro no laboratório e, depois, nos estudos com pacientes.
