Medicamentos projetados por IA entram em ensaios clínicos, e 2026 é o ano em que saberemos se realmente funcionam

Medicamentos projetados por IA estão agora em ensaios humanos, e a indústria está prestes a descobrir se a descoberta mais rápida se traduz em medicamentos melhores. Essas são duas afirmações separadas, e 2026 é o ano em que elas finalmente serão testadas separadamente.

A primeira afirmação — que a IA acelera a descoberta de medicamentos — está estabelecida. Modelos de Machine Learning agora identificam alvos promissores, geram moléculas candidatas e preveem o comportamento de ligação em uma fração do tempo que a triagem úmida tradicional exigia. A segunda afirmação — que medicamentos descobertos por IA funcionam melhor quando chegam aos pacientes — não está estabelecida de forma alguma. Nunca foi testada em escala, porque até este ano, poucos candidatos projetados por IA haviam avançado o suficiente no desenvolvimento clínico para produzir dados reais de eficácia e segurança. Em 2026, uma onda deles atinge simultaneamente os ensaios de Fase 2 e Fase 3, o que significa que a indústria obtém sua primeira resposta real.

O que realmente mudou nos modelos subjacentes

A mudança técnica por trás dessa onda começou com o AlphaFold 3, lançado pelo Google DeepMind em 2024. Versões anteriores do AlphaFold previam a estrutura dobrada de uma única proteína a partir de sua sequência de aminoácidos — útil, mas limitado a uma molécula isolada. O AlphaFold 3 estendeu a previsão para como as proteínas interagem com outras proteínas, com DNA e RNA, e com ligantes de moléculas pequenas — o evento físico real que um medicamento precisa desencadear para funcionar. Isso é importante porque a maioria das doenças não é causada por uma proteína mal dobrada sozinha; elas envolvem uma molécula se ligando, bloqueando ou desencadeando outra.

No entanto, a previsão de estrutura por si só não projeta um medicamento — ela descreve o que já existe. O próximo passo é o design generativo: construir uma molécula inteiramente nova destinada a se ligar a um alvo específico. A NVIDIA apresentou o Proteina-Complexa no GTC 2026 como parte de sua plataforma BioNeMo, um modelo generativo construído especificamente para projetar novos ligantes proteicos em vez de prever a forma de ligantes conhecidos. Novo Nordisk, Viva Biotech e Manifold Bio estão usando-o para gerar ligantes candidatos para alvos terapêuticos, depois reduzindo milhares de opções geradas computacionalmente a um punhado que vale a pena sintetizar e testar.

Uma limitação separada também está sendo abordada: a maioria das previsões estruturais produz uma imagem estática, mas as proteínas não são estáticas — elas flexionam, deslocam e mudam de forma à medida que um medicamento se aproxima e se liga. Uma plataforma chamada YuelDesign, juntamente com ferramentas relacionadas YuelPocket e YuelBond, modela esse processo de ligação dinâmica em vez de uma única conformação congelada, visando produzir previsões mais precisas de como uma molécula candidata se comportará realmente dentro de uma célula. A previsão estrutural estática pode perder falhas de ligação que só aparecem quando a proteína alvo se move.

O que está passando da tela do computador para o ensaio humano

No primeiro trimestre de 2026, artigos revisados por pares relataram validação experimental de moléculas projetadas por IA e ferramentas biológicas em ambientes pré-clínicos — significando que os designs se mantiveram em testes laboratoriais, não apenas em simulação. Essa etapa de validação é o motivo pelo qual um lote de candidatos está agora avançando para avaliação humana. As modalidades que entram nos ensaios são terapias peptídicas, anticorpos e candidatos baseados em mRNA — três classes de medicamentos muito diferentes com diferentes linhas de fabricação, diferentes modos de falha e diferentes históricos regulatórios, o que é útil por si só: se medicamentos projetados por IA tiverem sucesso em uma modalidade mas não em outra, isso diz aos pesquisadores onde os pontos fortes da tecnologia realmente residem.

Os números de adoção que todos citam, e o que eles não medem

Pesquisas da indústria relatam que cerca de metade das empresas de biotecnologia que usam IA no desenvolvimento de medicamentos veem um tempo mais rápido até o alvo, e 42% relatam melhora na precisão ou nas taxas de acerto em seus modelos computacionais. Esses números são citados constantemente como evidência de que a descoberta de medicamentos por IA funciona. Eles são reais, mas medem algo mais restrito do que "funciona". O tempo até o alvo e a taxa de acerto descrevem com que eficiência uma empresa passa de uma pergunta de pesquisa a uma molécula candidata que vale a pena testar. Eles não dizem nada sobre se essa molécula é segura, se passa em um ensaio de Fase 2, ou se supera um medicamento descoberto de forma convencional uma vez dentro de um corpo humano. Uma empresa pode reduzir pela metade seu tempo de descoberta e ainda assim ver a molécula resultante falhar na clínica — esse resultado seria totalmente consistente com os números de 50%/42%, porque esses números nunca estavam medindo o sucesso clínico em primeiro lugar.

Por que a velocidade não garante o sucesso

A taxa de falha básica da biotecnologia é a razão pela qual essa distinção é importante. Candidatos a medicamentos que entram em ensaios clínicos falham na maioria das vezes, independentemente de como foram descobertos — a Fase 2 em particular tem sido historicamente onde moléculas promissoras vão morrer, muitas vezes porque a eficácia em humanos não corresponde ao que os modelos pré-clínicos previram. A descoberta impulsionada por IA ainda não mudou essa dinâmica, porque até 2026 não havia volume clínico suficiente projetado por IA para saber se mudaria. Um modelo que é muito bom em prever se uma molécula se ligará ao seu alvo não diz nada sobre se a ligação a esse alvo realmente tratará a doença, se a molécula é tóxica em uma dose eficaz, ou se se comporta de forma previsível em uma população de pacientes geneticamente diversa. Essas são as perguntas que os ensaios de Fase 2 e Fase 3 existem para responder, e nenhuma quantidade de sofisticação computacional upstream substitui esses dados.

O que observar em 2026

Para investidores, profissionais de biotecnologia e qualquer pessoa que acompanhe este espaço, o sinal útil não é outro anúncio de velocidade de descoberta — são os dados de ensaio. Especificamente: observe se as leituras de Fase 2 e Fase 3 para candidatos projetados por IA mostram taxas de falha significativamente diferentes das linhas de base históricas da indústria, em qualquer direção. Observe qual modalidade relata resultados primeiro — peptídeos normalmente se movem através dos ensaios mais rápido que anticorpos ou candidatos a mRNA, portanto leituras precoces de peptídeos podem chegar antes que o quadro esteja completo para os outros dois. Observe se empresas que usam modelos de ligação dinâmica como YuelDesign relatam desempenho clínico diferente daquelas que dependem principalmente de previsão estrutural estática, já que isso seria evidência inicial de que a abordagem dinâmica produz candidatos mais traduzíveis clinicamente. E observe como a Novo Nordisk, Viva Biotech e Manifold Bio falam sobre seus candidatos derivados de BioNeMo assim que os dados de ensaio existirem — a disposição de uma empresa em publicar resultados negativos, não apenas positivos, é um proxy razoável para saber se as afirmações subjacentes se mantêm sob escrutínio.