Um avanço significativo na interseção entre inteligência artificial e química medicinal está redesenhando o futuro da descoberta de medicamentos. Em um estudo publicado neste sábado (11), na Nature Communications, pesquisadores da Ludwig-Maximilians-Universität München demonstram que modelos de linguagem — similares aos usados para processar textos — podem ser treinados para projetar moléculas com potência superior à de compostos já conhecidos.

O trabalho, liderado por Tim Hörmann e supervisionado por Daniel Merk, introduz uma estratégia inovadora de treinamento incremental que permite aos algoritmos “aprender” como um químico humano: passo a passo, com base em evidências acumuladas. “Nosso objetivo foi mimetizar o processo de descoberta de fármacos, no qual o conhecimento evolui progressivamente a partir de ciclos de teste e refinamento”, afirma Merk no artigo.

O estudo se apoia em um conceito emergente conhecido como modelos de linguagem química (CLMs), que tratam moléculas como sequências de caracteres — semelhantes a frases. Esses modelos são treinados inicialmente com grandes bancos de dados, como o ChEMBL, que reúne centenas de milhares de compostos bioativos.

Após essa fase, os pesquisadores aplicaram um refinamento progressivo: o modelo foi alimentado com séries de moléculas organizadas por níveis crescentes de potência biológica. Esse treinamento incremental permitiu ao sistema identificar padrões sutis de relação estrutura-atividade (SAR), fundamentais na química medicinal.

“O diferencial está em incorporar a dimensão da potência como uma trajetória de aprendizado”, explica Domenic Mayer, coautor do estudo. “Isso fornece ao modelo um caminho mais estruturado para explorar o espaço químico.”

Os resultados impressionam. Em experimentos com o receptor nuclear PPARy — alvo de medicamentos antidiabéticos — os modelos geraram compostos com atividade até 62 vezes superior a moléculas de referência.

Em termos práticos, todos os nove compostos sintetizados a partir das sugestões do modelo apresentaram alta potência em testes laboratoriais, com valores de EC50 na faixa subnanomolar. Alguns deles superaram significativamente o melhor composto previamente conhecido, evidenciando a capacidade do sistema de extrapolar além dos dados fornecidos.

“O fato de termos obtido nove em nove compostos mais potentes que o padrão é extraordinário”, destaca Max Lewandowski, responsável pela validação experimental.

Além disso, o modelo também foi aplicado ao receptor RORy, relevante em doenças autoimunes. Um dos compostos gerados apresentou potência até 20 vezes maior que moléculas comparáveis, confirmando a robustez da abordagem em diferentes contextos biológicos.

Tradicionalmente, métodos computacionais de design de fármacos dependem de modelos auxiliares — conhecidos como “oráculos” — para avaliar a qualidade das moléculas geradas. Esses sistemas, no entanto, introduzem incertezas e limitações, especialmente quando dados confiáveis são escassos.

A nova abordagem elimina essa dependência. O modelo aprende diretamente com dados experimentais existentes, sem necessidade de validação externa durante a geração das moléculas.

O treinamento envolveu mais de 496 mil moléculas extraídas do ChEMBL, posteriormente filtradas para remover qualquer informação prévia sobre os alvos estudados. Isso garantiu que o modelo não tivesse “memória” prévia dos compostos analisados, reforçando a validade dos resultados.

Durante os testes, foram geradas dezenas de milhares de novas moléculas. Entre elas 99% eram quimicamente válidas; 28% eram únicas e 78% pertenciam ao espaço químico desejado

Esses números indicam alta eficiência tanto na geração quanto na relevância dos compostos propostos.

O impacto potencial dessa tecnologia é profundo. A descoberta de medicamentos é tradicionalmente lenta e cara, envolvendo ciclos extensos de tentativa e erro. Ao automatizar e acelerar esse processo, modelos como o apresentado podem reduzir drasticamente o tempo necessário para identificar candidatos promissores.

Além disso, a capacidade de capturar dependências estruturais complexas — incluindo interações de longo alcance dentro das moléculas — sugere que esses sistemas podem revelar padrões invisíveis ao olho humano.

“Estamos apenas começando a explorar o que esses modelos podem fazer”, afirma Thomas Wein. “Eles não substituem os químicos, mas ampliam enormemente suas capacidades.”

O estudo representa um passo decisivo rumo a uma nova era na ciência dos medicamentos, em que algoritmos não apenas auxiliam, mas também inovam de forma autônoma.

Ao combinar aprendizado incremental, grandes volumes de dados e validação experimental rigorosa, a equipe da Ludwig-Maximilians-Universität München demonstra que a inteligência artificial pode não só replicar o raciocínio humano — mas, em certos casos, superá-lo.

Se confirmada em larga escala, essa abordagem pode redefinir a maneira como novos fármacos são concebidos, aproximando a medicina de um futuro mais rápido, preciso e personalizado.