Pode a IA projetar um composto farmacêutico que se ligue a um alvo proteico específico sem dados experimentais prévios ?

Tradicionalmente, a descoberta de fármacos baseia-se em extensas experiências laboratoriais e testes iterativos para identificar compostos viáveis. Recentes modelos de IA, como aqueles que utilizam abordagens generativas baseadas em difusão, podem agora propor novas estruturas moleculares adaptadas a alvos biológicos específicos. Esta capacidade acelera as fases iniciais da investigação farmacêutica e reduz a dependência de rastreios por força bruta.

A IA pode propor novos compostos semelhantes a fármacos que se ligam a um alvo proteico especificado mesmo quando não existem dados experimentais prévios, utilizando métodos de aprendizagem profunda baseados em estrutura, como o RFdiffusion ou modelos de difusão treinados em complexos proteína-ligando, para gerar moléculas quimicamente plausíveis e pontuações de ancoragem sem feedback laboratorial. Estes modelos generativos aprendem as regras de ligação molecular a partir de grandes bases de dados estruturais e propõem candidatos que se ajustam ao bolso de ligação do alvo, embora os seus projetos ainda requeiram validação bioquímica subsequente para confirmar afinidade, seletividade e propriedades semelhantes a fármacos. Os sistemas mais recentes integram pesquisa evolutiva ou aprendizagem por reforço para refinar a potência e os perfis ADMET, aumentando a fração de resultados acessíveis sinteticamente e com pontuações elevadas que podem entrar em testes experimentais. Como nenhuma estrutura 3D é estritamente necessária, modelos baseados em sequências como previsões de bolsos informadas pelo AlphaFold também podem orientar o projeto de ligandos quando uma estrutura experimental não está disponível.

— Enriched 12 de maio de 2026 · Source: Nature — https://www.nature.com/articles/s41586-023-06419-4