Durante décadas, encontrar antibióticos significou vasculhar enormes bibliotecas de compostos, testar substâncias existentes e modificar moléculas conhecidas na esperança de descobrir algo eficaz. O problema é que as bactérias continuam evoluindo, enquanto esse processo permanece caro, demorado e cheio de fracassos. Pesquisadores de Stanford e da Universidade McMaster decidiram inverter a lógica: em vez de pedir à inteligência artificial que encontre uma molécula promissora, fizeram com que ela começasse praticamente do zero.
A IA pode explorar 46 bilhões de possibilidades sem precisar testar todas
O sistema desenvolvido pelos pesquisadores recebeu o nome de SyntheMol-RL e trabalha em um espaço químico com até 46 bilhões de moléculas possíveis.
Mas quantidade não é sua característica mais importante.
Modelos generativos podem propor moléculas que parecem excelentes na simulação e depois revelar um problema bastante concreto: ninguém consegue fabricá-las de maneira viável.
O SyntheMol-RL tenta evitar essa armadilha desde o começo.
Ao criar candidatos, o sistema considera simultaneamente duas exigências: a molécula precisa apresentar potencial contra bactérias resistentes e também ser realisticamente sintetizável em laboratório.
Isso transforma a IA em algo diferente de um enorme mecanismo de busca. Ela passa a combinar componentes químicos e explorar novas estruturas enquanto descarta caminhos pouco práticos.
O teste decisivo, porém, começa quando as moléculas saem do computador.
Os pesquisadores selecionaram 79 candidatos produzidos pelo modelo, sintetizaram essas estruturas e as colocaram à prova contra bactérias reais.
Treze apresentaram alta atividade contra Staphylococcus aureus, um patógeno responsável por diferentes tipos de infecção e particularmente preocupante quando desenvolve resistência aos antibióticos.
Entre essas moléculas havia uma que chamou atenção suficiente para avançar para um experimento ainda mais importante.
Uma das moléculas já funcionou contra uma superbactéria em animais
O composto recebeu o nome de synthecin.
Em testes descritos no estudo publicado na Molecular Systems Biology, ele conseguiu conter uma infecção por MRSA em um modelo de ferida em camundongos.
MRSA é a sigla usada para o Staphylococcus aureus resistente à meticilina, uma das superbactérias mais conhecidas. Sua capacidade de resistir a diferentes medicamentos torna determinadas infecções muito mais difíceis de tratar.
O resultado com synthecin não significa que exista um novo antibiótico pronto para chegar às farmácias.
Mas demonstra algo importante: uma molécula criada computacionalmente conseguiu sair da simulação, ser fabricada e apresentar atividade em um organismo vivo.
Isso importa especialmente diante do avanço da resistência antimicrobiana.
Estimativas citadas no artigo apontam que infecções resistentes estão diretamente associadas a mais de 1,27 milhão de mortes por ano no mundo. À medida que medicamentos existentes perdem eficácia, encontrar substitutos rapidamente deixa de ser apenas um desafio científico.
Também vira uma corrida contra o tempo.
E é justamente nesse ponto que sistemas como o SyntheMol-RL podem oferecer uma vantagem: reduzir drasticamente o universo de candidatos que precisam ser produzidos e testados fisicamente.
A IA acelera a descoberta, mas o medicamento ainda precisa enfrentar o mundo real
Os próprios resultados mostram por que a inteligência artificial não substitui o laboratório.
Dos 79 compostos sintetizados, apenas uma parcela apresentou a atividade desejada. E mesmo uma molécula eficaz contra bactérias em laboratório ou em camundongos pode falhar posteriormente por toxicidade, metabolismo inadequado, efeitos adversos ou diversos outros motivos.
O caminho até um medicamento real ainda envolve estudos adicionais em animais, avaliações de segurança, ensaios clínicos em seres humanos e aprovação regulatória.
O próprio modelo também pode melhorar, especialmente na diversidade das estruturas geradas e na proporção de candidatos realmente úteis.
Portanto, a grande mudança não está em eliminar o processo tradicional de desenvolvimento farmacêutico.
Está em modificar o ponto de partida.
Em vez de testar incontáveis moléculas existentes e esperar encontrar uma combinação adequada, pesquisadores podem usar modelos para navegar por regiões do espaço químico que seriam praticamente impossíveis de explorar manualmente — e chegar ao laboratório com candidatos mais selecionados.
A IA ainda não criou uma solução pronta para a crise das superbactérias.
Mas demonstrou uma mudança importante na estratégia: quando encontrar o próximo antibiótico fica difícil demais, talvez seja possível projetar um que ainda não existe.
