Infraestrutura de dados nativos de biologia para a era da IA: como a próxima geração de biotechs está sendo construída
Infraestrutura de dados biológicos é um dos temas mais quentes da ciência aplicada hoje, e por um bom motivo. Com custos de computação caindo e modelos amadurecendo a cada trimestre, a vantagem competitiva no desenvolvimento global de medicamentos não depende mais apenas de ter o melhor algoritmo — depende de inovar em toda a pilha de dados que alimenta esses algoritmos.
Desenvolver um medicamento sempre foi sinônimo de paciência, dinheiro e uma dose generosa de sorte. Mais de cinco anos de trabalho para chegar a um candidato clínico, quase 90% de taxa de falha nas fases clínicas e um custo de P&D que dobra a cada nove anos. Não exatamente a equação mais animadora, né? O fator limitante no desenvolvimento de medicamentos nunca foi falta de hipóteses, mas sim a escassez de recursos para avaliá-las de forma eficaz e eficiente.
Mas algo está mudando, e de forma bastante acelerada. A inteligência artificial entrou nessa conversa com força total, e os primeiros resultados reais já estão aparecendo. Entre 2012 e 2022, aproximadamente 200 empresas que utilizaram IA para descoberta de medicamentos captaram coletivamente cerca de 18 bilhões de dólares em investimentos. Agora estamos vendo os frutos desses esforços chegando à clínica.
Em junho de 2025, a Insilico Medicine publicou na Nature Medicine resultados positivos de Fase IIa para o rentosertib, um inibidor TNIK first-in-class para fibrose pulmonar idiopática. Foi o primeiro medicamento a gerar prova de conceito clínica em que tanto o alvo foi descoberto quanto a molécula foi desenhada inteiramente por IA generativa. Só foram necessárias 78 moléculas testadas — contra os milhares exigidos pelo processo tradicional — tudo isso em 18 meses e com menos de 10% do custo médio por droga aprovada.
Isso não é ficção científica. É um sinal claro de que o jogo está mudando. E com gigantes como Google DeepMind, Anthropic, GSK e Eli Lilly colocando bilhões nessa corrida, a pergunta que fica não é mais se a IA vai transformar o desenvolvimento de medicamentos, mas quem vai liderar essa transformação — e com qual tipo de infraestrutura.
No início de 2026, a GSK fechou um acordo com a NOETIK comprometendo 50 milhões de dólares adiantados para acesso a modelos fundacionais de oncologia, enquanto a Eli Lilly firmou uma parceria de acesso anual com a Chai Discovery no valor de oito dígitos para design de biológicos. A Isomorphic Labs, spinout da Google DeepMind responsável pelo AlphaFold, estabeleceu parcerias profundas com Lilly, Novartis e J&J com valor potencial superior a 3 bilhões de dólares. E em abril de 2026, a Anthropic adquiriu a Coefficient Bio, uma startup de oito meses fundada por biólogos computacionais vindos da Evozyne, Genentech e Prescient Design, por 400 milhões de dólares em ações — sinalizando que laboratórios de IA de fronteira estão fazendo apostas diretas em descoberta de medicamentos.
A resposta, como você vai ver a seguir, passa muito menos pelos modelos em si e muito mais por algo que ainda recebe pouca atenção: a infraestrutura de dados nativos de biologia que alimenta tudo isso. 🧬
A explosão cambriana dos modelos biológicos de IA
Embora ferramentas de química computacional tenham surgido nos anos 1980, a era moderna da IA para biotecnologia começou efetivamente com a ascensão do deep learning nos anos 2010, quando ficou claro que redes neurais podiam aprender representações significativas de estrutura molecular a partir de dados. O momento divisor de águas aconteceu quando o AlphaFold2 da DeepMind e o RoseTTAFold do laboratório Baker resolveram o problema de prever a estrutura 3D de uma proteína a partir apenas de sua sequência de aminoácidos.
A partir daí, o número de modelos biológicos de IA cresceu exponencialmente. Até 2024, mais de 350 modelos biológicos de IA foram publicados, incluindo AlphaFold3, ESM3, Boltz-1, BindCraft, Evo, scGPT e H-Optimus-0. Esses modelos demonstram a capacidade da IA de executar tarefas que vão desde design generativo de proteínas até modelagem genômica, modelagem de perturbações e análise de imagens de patologia. Entre 2015 e 2025, o número de novos modelos de IA para biologia lançados por ano saltou de menos de dez para mais de 380.
Mais recentemente, modelos como JAM-2, BoltzGen, Latent-X2, Chai-2 e IsoDDE continuaram nos aproximando do design de biológicos com potencial farmacológico diretamente a partir do computador. O IsoDDE da Isomorphic Labs, aliás, mais que dobrou a precisão do AlphaFold 3 nos benchmarks de generalização mais difíceis, tornando-se um dos modelos mais acompanhados no campo do design de medicamentos orientado por IA.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
Por que os dados biológicos são o verdadeiro ativo competitivo
Quando a maioria das pessoas pensa em IA aplicada à saúde, a mente vai direto para os modelos — os algoritmos sofisticados, as redes neurais profundas e as arquiteturas transformer que parecem resolver tudo. Mas existe uma camada anterior, silenciosa e absolutamente crítica, que determina se esses modelos vão funcionar de verdade ou simplesmente gerar ruído caro. Essa camada é a infraestrutura de dados biológicos.
Grande parte dos dados que torna possíveis os modelos atuais de IA biológica foi lentamente reunida ao longo de décadas de ciência financiada publicamente. As mais de 200 mil estruturas de proteínas do Protein Data Bank (PDB) foram determinadas experimentalmente por técnicas como cristalografia de raios-X e espectroscopia de ressonância magnética nuclear. O Projeto Genoma Humano mapeou genes e DNA humanos a partir de esforços de sequenciamento em instituições de pesquisa ao redor do mundo. E o banco de dados de bioatividade do ChEMBL sobre milhões de pequenas moléculas foi acumulado por meio de anos de extração manual de patentes e literatura científica. O impacto desses bancos é notável: dados estruturais do PDB contribuíram para o desenvolvimento de 100% dos medicamentos anticâncer de pequenas moléculas direcionados a proteínas aprovados pela FDA entre 2019 e 2023.
Os modelos biológicos de IA desenvolvidos nas últimas décadas refletem os dados prontamente disponíveis, com quase 63% dos modelos treinados em sequências e estruturas de proteínas dos bancos Uniprot e PDB. As tarefas mais comuns para as quais esses modelos são usados incluem entendimento contextual de sequências de proteínas ou nucleotídeos, previsão de dobramento proteico e design de proteínas.
As lacunas que os dados atuais não cobrem
Apesar de sua escala, o PDB possui um viés forte em direção a proteínas que são estáveis, solúveis e passíveis de cristalização. Proteínas de membrana, proteínas intrinsecamente desordenadas e complexos proteicos transitórios — alguns dos alvos terapêuticos mais promissores em oncologia e neurodegeneração — frequentemente desafiam esses critérios e permanecem dramaticamente sub-representados. Além disso, as estruturas capturadas pelo PDB são instantâneos estáticos, congelando proteínas em uma única conformação em vez do conjunto dinâmico de formas que elas adotam em uma célula viva. E frequentemente são essas conformações alternativas que são mais relevantes terapeuticamente, como os sítios de ligação alostéricos que só se tornam acessíveis mediante ligação de um ligante.
Embora trazer um novo medicamento ao mercado comece com tarefas de estrutura e design de proteínas, a descoberta inicial representa apenas uma fração do tempo e custo total do processo. Mais de dois terços do tempo e dos recursos de desenvolvimento são alocados às etapas posteriores à descoberta inicial, incluindo o trabalho de otimização ADME (propriedades farmacocinéticas de absorção, distribuição, metabolismo e excreção) feito em estudos pré-clínicos, além dos estudos de segurança e eficácia conduzidos em ensaios clínicos.
Para avançar um medicamento de um hit para um candidato de desenvolvimento, muito mais é necessário do que confirmar que uma molécula se liga ao seu alvo. O processo também exige entendimento de desenvolvabilidade, imunogenicidade, efeitos fora do alvo, termoestabilidade, solubilidade e propensão à agregação — propriedades para as quais grandes conjuntos de dados públicos de alta qualidade simplesmente não existem.
Não há um equivalente do PDB para entender fenótipos celulares em resposta a perturbações, ou mesmo dados proteômicos entre diferentes estados de doença. Vincular dados celulares a dados clínicos apresenta uma lacuna ainda maior, já que perfis ômicos de pacientes vinculados a resultados de tratamento e respostas de ensaios clínicos existem isolados em sistemas hospitalares e bancos de dados de biofarmacêuticas. Isso torna quase impossível treinar modelos capazes de prever quais pacientes responderão a uma terapia antes de serem inscritos em um ensaio. As previsões mais comercialmente importantes são justamente aquelas onde a infraestrutura de dados é mais fraca.
Dados gerados antes da era da IA apresentam limitações significativas
Grande parte dos dados biológicos disponíveis hoje foi gerada antes da explosão dos modelos biológicos de IA, o que significa que frequentemente carecem das características que os tornam úteis para aprendizado de máquina. Anotações são muitas vezes incompletas ou não padronizadas, e contextos importantes — como ambiente celular ou equipamento de laboratório utilizado — raramente são capturados ou codificados nos conjuntos de dados. Em muitos casos, os conjuntos de dados biológicos simplesmente não têm a escala para que modelos tirem conclusões estatisticamente significativas ou façam previsões não enviesadas.
Para realmente desbloquear a IA para o desenvolvimento de medicamentos, as empresas precisam investir em duas frentes: primeiro, na geração de medições biológicas multimodais e inéditas que ampliem nossa compreensão das doenças, e segundo, na construção de conjuntos de dados com a escala, consistência e contextualização necessárias para treinar modelos que generalizem entre ambientes biológicos diversos.
Empresas como a Peptone estão combinando biofísica em nível atômico com supercomputação para gerar dados estruturais proprietários sobre proteínas intrinsecamente desordenadas. A Inductive Bio está montando um dos maiores e mais diversos conjuntos de dados ADMET da indústria para treinar seus modelos Beacon, que recentemente ficaram em primeiro lugar entre mais de 370 submissões no desafio de predição OpenADMET-ExpansionRx. A Converge Bio está gerando conjuntos de dados em larga escala para treinar e validar modelos próprios para design de anticorpos e otimização de sequências. E a NOETIK está montando um dos conjuntos de dados mais abrangentes em oncologia, pareando multi-ômicas tumorais com resultados de tratamento longitudinais.
IA agêntica nos fluxos de trabalho de P&D
Enquanto o custo de levar um medicamento ao mercado continuou aumentando, o custo de computação diminuiu exponencialmente desde os anos 1950, consistente com a Lei de Moore. Tarefas ao longo da cadeia de desenvolvimento que são computacionalmente caras hoje serão dramaticamente mais baratas em poucos anos. Empresas que constroem sua pilha tecnológica para ser rapidamente adaptável às capacidades em evolução da IA terão uma vantagem estrutural crescente sobre aquelas que tratam a IA como um investimento fixo.
Embora construir ferramentas proprietárias de modelagem molecular internamente possa ter sido um diferencial uma década atrás, a abundância de ferramentas in silico prontas para uso mudou essa narrativa. Preditores estruturais, modelos ADMET e simuladores de dinâmica molecular amadureceram enormemente e agora são amplamente acessíveis por meio de repositórios open-source e arquiteturas fechadas.
As empresas devem construir sua infraestrutura desde o primeiro dia para poder testar, implementar e alavancar as ferramentas mais novas, em vez de ficarem ancoradas a uma única pilha tecnológica. Hoje, essa infraestrutura modular pode se parecer com um sistema que orquestra autonomamente as melhores ferramentas para tarefas específicas, seja uma revisão de literatura ou a execução de um pipeline de bioinformática.
Computação mais barata tornou a inferência de contexto longo economicamente viável, permitindo que agentes de IA sintetizem mais de mil artigos e 40 mil linhas de código em uma única execução. Combinada com técnicas que aumentam a precisão e eficiência da IA, como raciocínio em cadeia de pensamento e frameworks multi-agente, tornou-se cada vez mais realista que a IA possa comprimir significativamente o custo e o tempo do ciclo de P&D. 🤖
Cientistas de IA agêntica poderão minerar servidores de preprints, registros de patentes e bancos de dados biológicos públicos para identificar conexões não óbvias, gerar hipóteses inéditas, realizar análises de dados in silico, desenhar experimentos de laboratório e escrever relatórios — tudo mantendo o contexto de pesquisa da equipe e um registro histórico de experimentos que capacita cientistas a tomar decisões mais inteligentes e rápidas.
Em breve, será padrão adotar um sistema operacional de IA que abranja todo o processo de desenvolvimento de medicamentos, aproveitando a capacidade da IA de reter contexto extenso para unificar análises e resultados em um único ambiente de pesquisa, em vez de deixá-los dispersos em soluções pontuais separadas.
Uma onda crescente de empresas está construindo nessa direção. A Anthropic agora oferece conectores para integrar o Claude com plataformas como Benchling, PubMed, ChEMBL e ClinicalTrials.gov. A K-Dense e a Edison Scientific estão desenvolvendo plataformas de cientista autônomo de IA que podem planejar, executar e iterar em fluxos de trabalho de pesquisa complexos de ponta a ponta. A Phylo está tomando uma abordagem complementar com seu Ambiente Integrado de Biologia, um espaço unificado onde cientistas podem colaborar com agentes de IA sem alternar entre interfaces fragmentadas.
Empresas como Potato e Convoke estão construindo os sistemas operacionais para biofarmacêuticas, com a Potato servindo como infraestrutura para design e execução autônoma de experimentos, e a Convoke atuando como sistema de registro e ação para acelerar fluxos regulatórios e documentais para levar medicamentos ao mercado.
Automação de laboratórios e o ciclo fechado de descoberta
Mesmo empresas que utilizam os modelos de IA mais avançados esbarram nas limitações de geração de dados experimentais. Apesar de avanços dramáticos em previsão estrutural e modelagem molecular, muitos resultados in silico — como previsões de afinidade de ligação — ainda precisam ser validados no laboratório antes que qualquer decisão de desenvolvimento possa ser tomada com confiança. Além disso, eficácia in vivo é essencialmente imprevisível a partir de primeiros princípios, com falhas tardias motivadas desproporcionalmente por propriedades farmacocinéticas e de toxicidade que os modelos in silico não sinalizaram.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
Dado que resultados experimentais são a fonte definitiva de verdade biológica, é crucial que esses modelos incorporem continuamente feedback do laboratório para se manterem ancorados em precisão.
Infelizmente, os ciclos experimentais entre a saída de um modelo e os dados necessários para atualizar suas previsões frequentemente levam semanas a meses. Experimentos de laboratório são lentos, propensos a falhas e dependentes de mão de obra humana qualificada, tornando-se um dos maiores gargalos para encurtar cronogramas de desenvolvimento. O ciclo iterativo de design-teste-produção-análise que caracteriza a otimização de compostos líderes pode levar até três anos por si só e responde por quase um quarto do cronograma total de desenvolvimento. Esses prazos são ainda mais estendidos pelo fato de que a validação experimental é frequentemente terceirizada para Organizações de Pesquisa por Contrato (CROs), onde sobrecarga de coordenação, filas de espera e inconsistências na qualidade dos dados podem adicionar semanas ou meses a cada ciclo de iteração.
Da automação pontual ao laboratório autônomo
Embora robôs Hamilton para manuseio de líquidos e plataformas Chemspeed para síntese automatizada existam em laboratórios há décadas, eles são otimizados para alta produção de tarefas pontuais específicas, e não para a automação e integração de fluxos experimentais inteiros. A maioria da automação laboratorial atual ainda requer intervenção humana significativa para transferir materiais entre instrumentos, resolver problemas e interpretar resultados antes que o próximo passo experimental possa começar.
Automatizar equipamentos robóticos de laboratório historicamente exigiu engenheiros de automação dedicados para configurar instrumentos e escrever continuamente novos scripts para diferentes fluxos de trabalho. Interfaces de linguagem natural para controle de robôs poderiam efetivamente democratizar as capacidades de automação, permitindo que cientistas sem qualquer formação em robótica ou engenharia de software executem, monitorem e iterem em experimentos de forma remota e autônoma. Avanços em robótica e IA física poderiam orquestrar ainda mais a transferência de materiais e dados que hoje ainda é feita por humanos. Sistemas nativos de visão computacional, por exemplo, já conseguem ler e interpretar autonomamente imagens de microscopia de células e alimentar dados estruturados diretamente nos pipelines de modelos sem que um cientista precise extrair e inserir manualmente os resultados. 🔬
O progresso rumo a laboratórios autônomos oferece às empresas uma alavancagem significativa tanto em velocidade quanto em custo operacional. Um modelo treinado em cinco ciclos de design-teste-análise no tempo em que um competidor completa um vai compor seu entendimento biológico muito mais rápido, e essa composição se traduz diretamente em modelos melhores, moléculas melhores e uma vantagem estrutural muito difícil de ser recuperada por quem depende de cronogramas tradicionais de CRO.
Empresas ao longo do cenário de automação laboratorial estão perseguindo isso de ângulos diferentes. A Medra está construindo uma plataforma de robótica agnóstica a instrumentos, onde robôs de propósito geral interagem com equipamentos laboratoriais existentes por meio de controles físicos e interfaces de software. A Automata adota uma abordagem de orquestração laboratorial com sua plataforma LINQ, fornecendo hardware e software modulares que conectam instrumentos diferentes em fluxos de trabalho automatizados e coordenados de ponta a ponta. A Dash Bio está usando robótica para se tornar uma CRO mais rápida e automatizada. E a Lila Sciences representa uma das abordagens mais verticalmente integradas, construindo um laboratório totalmente automatizado para descoberta e desenvolvimento de medicamentos de ponta a ponta.
O futuro das ciências da vida vai rodar sobre IA
O cenário que se desenha para os próximos anos é de uma convergência profunda entre ciência biológica, engenharia de dados e inteligência artificial. As empresas que estão construindo grandes conjuntos de dados nativos de biologia, pilhas de desenvolvimento centradas em IA e plataformas de automação laboratorial que possibilitam experimentação rápida em ciclo fechado vão definir a próxima geração de empresas de ciências da vida.
Esse mercado se organiza em três camadas interdependentes:
- Camada de dados: empresas gerando dados na escala, modalidade e fidelidade que a IA requer para produzir descobertas significativas ao longo de todo o processo de desenvolvimento de medicamentos.
- Camada de software e workflows agênticos: plataformas de IA que orquestram e unificam fluxos de trabalho de P&D de ponta a ponta, desde geração de hipóteses até submissão regulatória.
- Camada de infraestrutura física: plataformas de automação laboratorial que comprimem cronogramas em cada etapa, permitindo ciclos de feedback rápidos entre modelos e experimentos.
Juntas, essas três camadas representam grande parte da cadeia de valor tomando forma no desenvolvimento de medicamentos orientado por IA. A velocidade de descoberta de novos medicamentos vai depender menos de quantos cientistas uma organização tem e mais de quão bem estruturada e rica é sua infraestrutura de dados biológicos. Os primeiros resultados clínicos já mostram que essa não é uma promessa distante: é uma realidade em construção, e os blocos fundamentais estão sendo colocados agora, neste momento, por equipes que entenderam que dados de qualidade, workflows inteligentes e automação integrada são o verdadeiro diferencial competitivo nessa corrida. 🚀
