O problema de dados por trás da IA em medicamentos
A startup de biotecnologia Vivodyne defende uma tese incômoda para o setor de descoberta de fármacos com IA: o gargalo não é o algoritmo, são os dados. “Sem testes em humanos, o que esses modelos vão fazer? Curar câncer em camundongos”, provoca o CEO e cofundador Andrei Georgescu.
A crítica tem endereço. Nos últimos anos, figuras como Sam Altman (OpenAI) e Demis Hassabis (Google DeepMind) citaram a cura do câncer como justificativa para a corrida rumo à AGI. Até Dario Amodei, CEO da Anthropic, escreveu no fim de semana que a promessa virou mais clichê do que credibilidade — “o que vai funcionar é realmente curar o câncer”, disse. Os resultados práticos, no entanto, seguem mornos: poucos medicamentos desenhados por IA chegaram a testes clínicos, e o AlphaFold, vencedor de Nobel, ainda não produziu um novo remédio.
O que a Vivodyne construiu
A resposta da empresa é um conjunto de laboratórios robóticos modulares chamado HIVE, capaz de cultivar 20 tipos de tecido humano, dosá-los e monitorá-los de forma autônoma. O objetivo é gerar dados biológicos causais — hoje obtidos principalmente em testes com animais ou em células isoladas, não em tecido vivo — que os modelos de IA atuais não têm.
Nascida na Universidade da Pensilvânia em 2021 e com cerca de US$ 80 milhões levantados em duas rodadas lideradas pela Khosla Ventures, a Vivodyne afirma que seus tecidos se comportam como órgãos humanos reais: células de fígado com 94% de precisão preditiva em testes de toxicidade, tecido de vias aéreas com 96% de correspondência e medula óssea com 100% de concordância em 20 quimioterápicos diferentes.
Na semana passada, a companhia inaugurou o que chama de maior “data center humano” do mundo, perto de São Francisco, com o dobro da vazão de todos os testes com animais realizados nos EUA.
Por que isso importa
A aposta é reduzir o custo do caminho até os testes clínicos — que passam de dezenas de milhões de dólares — sabendo com mais antecedência o que tem chance de funcionar. Hoje, 90% dos medicamentos que funcionam bem em animais não recebem aprovação para uso em humanos.
Há ainda uma visão de longo prazo: Georgescu quer usar os laboratórios autônomos para gerar dados causais que treinem modelos de aprendizado por reforço sobre biologia humana. Ele cita um estudo publicado no mês passado na Nature Methods que não encontrou leis claras de escalonamento ao treinar IA generativa sobre dados celulares existentes — porque o treinamento é feito sobre “fotografias” estáticas das células, sem capturar como uma célula chegou a determinado estado.
Se a abordagem vingar, o setor pode ganhar algo que hoje não tem: confiança para prever, antes de um ensaio clínico caro, se um candidato a remédio vale o investimento.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
