Do Nobel de Química à aposta de resolver todas as doenças com inteligência artificial

Em outubro de 2024, a Academia Real das Ciências da Suécia anunciou os vencedores do Prêmio Nobel de Química daquele ano: metade do prêmio foi concedida a David Baker, da Universidade de Washington, "pelo design computacional de proteínas", e a outra metade, dividida entre Demis Hassabis e John Jumper, do Google DeepMind, "por previsão da estrutura de proteínas". É importante frisar: o prêmio foi outorgado aos três cientistas como pessoas físicas, e não à empresa em que trabalham. Não é correto dizer que "o Google ganhou o Nobel" — quem o recebeu foram os pesquisadores, reconhecidos individualmente pela academia sueca.

Para entender por que esse trabalho foi considerado tão importante, vale explicar rapidamente o que são proteínas. Elas são moléculas formadas por sequências de aminoácidos, uma espécie de "alfabeto" químico da vida, e estão por trás de praticamente tudo o que acontece dentro de um organismo: digerir alimentos, transportar oxigênio no sangue, defender o corpo de infecções. O detalhe crucial é que uma proteína não funciona apenas por causa da sequência de aminoácidos que a compõe, mas principalmente por causa da forma tridimensional que ela assume ao se dobrar no espaço. Essa forma determina como a proteína interage com outras moléculas — e, portanto, determina sua função. Descobrir experimentalmente essa estrutura tridimensional, por técnicas como cristalografia de raios-X, costumava levar anos de trabalho de laboratório para uma única proteína.

Foi nesse cenário que surgiu o AlphaFold, sistema de inteligência artificial desenvolvido pelo Google DeepMind. Em 2020, Hassabis e Jumper apresentaram o AlphaFold2, modelo de IA que representou um avanço significativo na previsão de estruturas de proteínas, permitindo prever com boa precisão as estruturas de um grande número de proteínas já catalogadas. É importante não exagerar o alcance dessa conquista: o AlphaFold não "resolveu todas as proteínas" nem eliminou a necessidade de experimentos de laboratório. O que ele fez foi oferecer previsões computacionais de estrutura com precisão inédita, servindo como ponto de partida e complemento para a pesquisa experimental — não como substituto dela. Estruturas previstas por IA ainda costumam ser validadas, ajustadas e testadas por métodos experimentais tradicionais.

Essa capacidade de prever estruturas de proteínas tem relação direta com a descoberta de medicamentos. Muitos remédios funcionam justamente porque se encaixam, como uma chave em uma fechadura, em regiões específicas de proteínas-alvo, bloqueando ou ativando sua função. Conhecer com mais precisão e rapidez a forma tridimensional dessas proteínas pode ajudar cientistas a identificar, com mais eficiência, quais moléculas têm potencial para interagir com elas de forma terapêutica. Essa é uma etapa inicial e importante do longo processo de desenvolvimento de um medicamento — mas está longe de ser o processo inteiro.

Foi para explorar esse potencial que Demis Hassabis fundou, em 2021, a Isomorphic Labs, empresa da qual é fundador e CEO, distinta do Google DeepMind, embora ligada a ele pela origem e pelo apoio da Alphabet, controladora do Google. A empresa se dedica especificamente a aplicar inteligência artificial ao desenho e à descoberta de novos medicamentos. Segundo a Isomorphic Labs, sua missão é usar tecnologias de IA para acelerar e reformular o processo de descoberta de fármacos "a partir de princípios básicos" — uma ambição declarada pela própria empresa, não um resultado já comprovado.

Essa ambição atraiu investimentos expressivos. Em março de 2025, a Isomorphic Labs anunciou ter captado 600 milhões de dólares em sua primeira rodada de financiamento externo, liderada pela Thrive Capital, com participação da GV (braço de investimentos do Google) e aporte adicional da própria Alphabet, já investidora da empresa desde sua fundação. Mais recentemente, a companhia anunciou uma rodada Série B de 2,1 bilhões de dólares, também liderada pela Thrive Capital, com participação de investidores como Alphabet, GV, MGX, Temasek, CapitalG e o UK Sovereign AI Fund, ampliando significativamente sua base de capital. Esses valores mostram o grau de confiança que investidores depositam na proposta da empresa — mas volume de investimento não é, por si só, garantia de sucesso científico ou clínico.

É nesse contexto que Hassabis tem repetido publicamente uma frase ambiciosa: a de que a missão da Isomorphic Labs é, em suas palavras e nas da empresa, contribuir para "resolver todas as doenças" por meio da inteligência artificial. É fundamental entender essa afirmação pelo que ela é — uma visão de longo prazo declarada pelo fundador e pela empresa — e não como uma promessa cumprida ou um resultado já alcançado. Nenhum medicamento chega ao mercado apenas porque um algoritmo apontou uma molécula promissora.

Mesmo os candidatos a medicamento identificados com o auxílio de ferramentas de IA continuam sujeitos a todas as etapas tradicionais e rigorosas de desenvolvimento farmacêutico: pesquisa pré-clínica em laboratório e em modelos biológicos, testes de segurança, sucessivas fases de ensaios clínicos em seres humanos, avaliação de eficácia comparada a tratamentos existentes e, por fim, análise e aprovação por agências reguladoras como a FDA, nos Estados Unidos, ou a EMA, na Europa. Esse processo costuma levar anos e tem taxas de sucesso historicamente baixas — a inteligência artificial pode ajudar a otimizar algumas etapas iniciais, mas não elimina nem substitui esse caminho.

Passados cerca de dois anos da concessão do Nobel, o que existe de concreto é um avanço técnico real e reconhecido pela comunidade científica na previsão computacional de estruturas de proteínas; uma empresa recém-criada, bem financiada, dedicada a aplicar esse tipo de tecnologia à descoberta de medicamentos; e uma missão declarada, ambiciosa, ainda em fase de comprovação prática. Entre a promessa e o resultado terapêutico comprovado há um longo caminho de ciência experimental, testes em seres humanos e escrutínio regulatório. Ainda assim, a capacidade da inteligência artificial de acelerar etapas iniciais da descoberta de medicamentos já representa, por si só, um ganho relevante para a biologia e para a medicina.