O papel crítico dos dados de qualidade na descoberta de fármacos com inteligência artificial

A descoberta de fármacos é um processo de elevado custo e risco significativo. Desde os anos 1950, o investimento necessário duplica aproximadamente a cada nove anos. Atualmente, trazer um medicamento ao mercado exige entre 10 a 15 anos, custos entre $1 e $2,5 biliões, e enfrenta taxas de insucesso superiores a 90%. A indústria farmacêutica vê a inteligência artificial como sua principal ferramenta para reduzir prazos e melhorar probabilidades de sucesso. Uma das aplicações mais promissoras usa IA para identificar moléculas candidatas contra alvos de doença. Em vez de triagem física massiva em laboratório, as empresas desenham agora candidatos computacionalmente e predizem suas interações antes de testes experimentais. Esta abordagem elimina limitações de volume. Porém, a validação laboratorial permanece necessária, pois os modelos não conseguem ainda prever com confiabilidade como os compostos se comportarão. Isto intensifica a pressão nos laboratórios, forçados a testar um volume crescente de candidatos gerados por algoritmos. O maior obstáculo é a qualidade dos dados. Modelos treinados com datasets públicos limitados atingem retornos decrescentes porque todos os investigadores acedem aos mesmos dados. Além disso, estes conjuntos carecem da estrutura e diversidade necessárias para evitar enviesamentos. Um problema crítico é o viés de publicação: investigadores compartilham sucessos mas guardam fracassos em cadernos de laboratório, privando os modelos da compreensão essencial do que não funciona. Sem acesso abrangente a dados de falha, os modelos não conseguem treinar adequadamente. A integridade dos dados também sofre ameaças. Ferramentas de IA generativa tornaram a manipulação científica mais fácil. Investigações anteriores encontraram que quase 4% de publicações biomédicas contêm imagens falsificadas, números que poderiam aumentar dramaticamente com IA. Soluções emergentes usam algoritmos de hash criptográficos, semelhantes a blockchain, para detectar imagens manipuladas, permitindo que editoras verifiquem autenticidade. O futuro aponta para laboratórios completamente autónomos funcionando continuamente, executando ciclos de predição, experimentação e otimização, realimentando resultados em modelos de IA. Isto poderia melhorar significativamente as taxas de sucesso de candidatos em ensaios clínicos. Contudo, requer infraestrutura altamente integrada com sistemas interoperáveis, dados estruturados e abrangentes, e fluxos contínuos de informação. Muitos laboratórios ainda não possuem esta integração. Notavelmente, nenhum fármaco descoberto primariamente através de design de IA recebeu aprovação completa da FDA, embora esperado nos próximos dois a três anos.