Como a inteligência artificial pode acelerar a descoberta de antibióticos contra a antibiorresistência

Inteligência artificial e a corrida por novos antibióticos

A inteligência artificial pode nos ajudar a recuperar o terreno perdido onde as abordagens tradicionais da medicina vêm falhando? Com essa tecnologia, pesquisadores já conseguem examinar milhões de estruturas químicas e encurtar o caminho até a descoberta de novos antibióticos.

Da penicilina à crise atual dos antibióticos

A penicilina, identificada por Fleming em 1928 quase por acaso, deu início a uma das maiores revoluções da história da medicina: o surgimento dos antibióticos. A partir daí, a humanidade passou a conter algumas das doenças mais graves; esses fármacos pareciam uma arma quase perfeita contra centenas de infecções, e seu uso acabou se tornando amplo e constante.

Como qualquer ser vivo, as bactérias também estão sujeitas à seleção natural. Ao empregar antibióticos em grande escala, criamos, sem intenção, uma pressão evolutiva gigantesca sobre bilhões de micro-organismos. As que, por acaso, apresentavam uma mutação protetora sobreviveram, multiplicaram-se e transmitiram essa vantagem. De geração em geração (e as bactérias somam milhares delas por dia), nosso arsenal terapêutico foi perdendo eficácia, e o aparecimento de “super-bactérias” resistentes aos tratamentos é, infelizmente, cada vez mais comum.

Ferramentas como AlphaFold e AMR-AI para acelerar descobertas

Não é por acaso que a OMS hoje coloca a antibiorresistência entre as ameaças globais mais sérias à saúde. Criar antibióticos inéditos para enfrentar cepas resistentes também não é um caminho simples: na prática, correríamos o risco de fortalecer esse ciclo vicioso. Além disso, desenvolver um antibiótico custa bilhões de dólares, e pode levar cerca de uma década até chegar ao mercado.

Ainda assim, a medicina passou a contar com a força da inteligência artificial para encurtar esse processo. O sistema AlphaFold, por exemplo, prevê a estrutura tridimensional de proteínas, o que ajuda a compreender melhor os alvos moleculares das bactérias. Também vale citar os modelos AMR-AI, capazes de antecipar a evolução biológica de agentes patogênicos. O diferencial dessas ferramentas está em condensar décadas de conhecimento terapêutico e biológico para extrair princípios ativos mais potentes, dando à medicina o segundo fôlego de que ela precisava desesperadamente.

A antibiorresistência, uma ameaça sanitária mundial em plena expansão

Todos os anos, cerca de 1,1 milhão de pessoas morrem por infecções causadas por bactérias que nossos medicamentos já não conseguem eliminar. E, se nada mudar, esse total pode chegar a oito milhões de mortes por ano até 2050, superando o número de óbitos atualmente associado a todos os tipos de câncer somados.

Dois nomes aparecem com frequência na literatura científica como exemplos preocupantes do avanço da antibiorresistência. O primeiro é Neisseria gonorrhoeae, bactéria que provoca a gonorreia e que hoje já resiste a quase todos os antibióticos de primeira linha. O segundo é Staphylococcus aureus, uma bactéria comum - presente na pele de quase um terço da população mundial sem causar qualquer sintoma -, mas cujas determinadas cepas adquiriram resistência à meticilina, um antibiótico da família das penicilinas por muito tempo considerado o tratamento de referência.

Na prática, esses casos são apenas ilustrações. Por trás deles, dezenas de patógenos seguem a mesma trajetória. A resistência de algumas cepas bacterianas avança muito mais rápido do que nossa capacidade de contê-la - ao menos quando dependemos das técnicas farmacológicas tradicionais e da farmacopeia atual, que passou a se parecer com uma armadura cheia de brechas diante da adaptação microbiana.

Por que o desenvolvimento não acompanha o ritmo

A reposição de tratamentos já não acompanha a velocidade do problema. Entre 2017 e 2022, somente doze novos antibióticos receberam autorização para entrar no mercado, e quase todos eram variações de famílias moleculares já conhecidas, contra as quais as bactérias, em alguns casos, já tinham mecanismos de defesa.

Criar uma molécula realmente nova costuma exigir mais de uma década de pesquisa clínica, além de investimentos que a indústria farmacêutica aceita cada vez menos assumir. Há uma lógica econômica por trás disso: um antibiótico eficaz é, por definição, um medicamento que se tenta prescrever o mínimo possível para não acelerar sua perda de utilidade. Baixa rentabilidade, vida útil terapêutica incerta, regras regulatórias muito rígidas e experimentação complexa fizeram com que, de certo modo, a indústria farmacêutica tenha desistido do problema antes mesmo de a ciência resolvê-lo.

Super-bactérias: o outro terreno de caça da IA

Foi no Massachusetts Institute of Technology que o professor James Collins propôs inverter a lógica: se as bactérias evoluem mais rápido do que nossa capacidade de desenvolver e produzir medicamentos, por que não colocar a descoberta de novos antibióticos nas mãos de um sistema que consiga trabalhar na mesma escala?

Para isso, o modelo foi treinado com tudo o que a farmacologia reuniu ao longo de um século: estruturas de antibióticos conhecidos, mecanismos de ação, morfologia bacteriana e perfis de toxicidade. O objetivo era ensiná-lo a identificar, na geometria de uma molécula, sinais de uma possível atividade antibacteriana.

Com essa capacidade de generalização estabelecida, o algoritmo partiu para uma varredura que nenhuma equipe humana conseguiria executar: 45 milhões de estruturas químicas avaliadas - não em bancada, mas por *inferência*. Em vez de avançar por tentativa e erro, o sistema estimou instantaneamente a chance de sucesso de cada estrutura ao simular a interação entre as moléculas e as bactérias.

Ao longo de iterações sucessivas - e ajustando a arquitetura molecular de candidatos promissores -, o modelo conseguiu gerar 36 milhões de novos compostos. “Em poucas horas ou poucos dias, podemos analisar bibliotecas imensas de compostos químicos para identificar aqueles que apresentam atividade antibacteriana”, explica James Collins.

Entre os compostos que depois foram sintetizados e testados contra bactérias reais, dois demonstraram eficácia efetiva contra cepas resistentes, com modos de ação diferentes o bastante dos antibióticos existentes para driblar, ao menos por algum tempo, as defesas já estabelecidas.

Pode parecer que duas moléculas em 36 milhões representem um índice de acerto extremamente baixo, mas é exatamente o contrário. Em farmacologia e bioinformática, inúmeros programas de desenvolvimento de fármacos terminam após anos de esforço sem que qualquer molécula chegue a ultrapassar a fase pré-clínica. Encontrar duas candidatas plausíveis - ainda que não tenham recebido autorização para comercialização - sugere, na verdade, que o bloqueio estava muito mais ligado a limites tecnológicos e cognitivos: os métodos de pesquisa que usamos e que hoje já mostram fragilidades. Ainda que seja certo que a IA não resolverá sozinha o desafio da antibiorresistência, fica cada vez mais claro que, sem ela, restaria apenas seguir tateando lentamente pela *terra incognita* em que se escondem os antibióticos de amanhã.