O design de proteínas por AI finalmente encontra o laboratório úmido

O design de proteínas por AI (AI protein design) superou a fase em que cada avanço vivia dentro de um gráfico de benchmark. A mudança mais interessante agora é prática: os modelos computacionais (computational models) estão finalmente começando a sobreviver ao contato com o laboratório úmido (wet lab). Isso importa porque a descoberta de medicamentos (drug discovery) nunca sofreu com a falta de previsões inteligentes. Ela sofreu com a brutal atrição que acontece quando ideias elegantes in silico encontram biologia desordenada, síntese cara e realidade experimental.

A nova história na ciência e biotecnologia (biotech) não é que a AI possa imaginar novas proteínas. É que um número crescente de grupos de pesquisa e empresas está construindo sistemas que fecham o ciclo entre a saída do modelo, a síntese, o ensaio (assay) e o redesenho. Esse ciclo de feedback é onde o design de proteínas (protein design) deixa de ser uma demonstração e começa a parecer uma infraestrutura para terapias (therapeutics), engenharia de enzimas (enzyme engineering) e diagnósticos.

O design de proteínas está deixando a era dos rankings

Nos últimos anos, a AI em biologia tem sido dominada por algumas capacidades de destaque. AlphaFold tornou a previsão da estrutura de proteínas (protein structure prediction) vastamente mais útil. Os modelos de linguagem de proteínas (protein language models) mostraram que os dados de sequência poderiam ser tratados um pouco como linguagem natural. Os sistemas generativos (generative systems) então prometeram projetar proteínas inteiramente novas com propriedades desejadas. Esses desenvolvimentos foram reais, mas também incentivaram um modo de falha familiar: o campo tornou-se muito bom em celebrar o desempenho do modelo antes que atenção suficiente fosse dada à questão de saber se uma proteína proposta poderia realmente ser expressa, dobrada e validada no laboratório.

Essa preocupação é o motivo pelo qual o momento atual parece mais substancial. Relatórios recentes e trabalhos publicados apontam para uma transição mais ampla da avaliação centrada em benchmarks para a validação experimental (experimental validation). A Drug Target Review destacou recentemente um conjunto de estudos de 2026 onde moléculas projetadas por AI (AI-designed molecules) e ferramentas biológicas não foram apenas geradas computacionalmente, mas também testadas em ambientes pré-clínicos (preclinical settings). Isso pode parecer incremental, mas muda o padrão de evidência. Um modelo não é mais julgado apenas por prever um candidato promissor. Ele é julgado por se o candidato sobrevive à síntese, se liga como esperado e produz um efeito biológico mensurável.

Uma vez que isso se torna o padrão, a economia do campo começa a mudar. Um modelo que economiza semanas de triagem, mas ainda produz candidatos de baixa qualidade, é menos interessante do que um modelo que reduz o espaço de busca enquanto preserva as taxas de sucesso experimental (experimental hit rates). Na descoberta de medicamentos (drug discovery), o objetivo não é ter mais moléculas plausíveis em uma lâmina. É ter menos impasses caros.

Os alvos mais difíceis são o que torna isso interessante

Uma das razões pelas quais o design de proteínas (protein design) tem atraído tanta atenção é que a biologia ainda contém grandes regiões de escuridão terapêutica (therapeutic darkness). Muitas proteínas relevantes para doenças são difíceis de atingir porque não apresentam sítios de ligação estáveis e bem comportados (stable, well-behaved binding pockets). As regiões intrinsecamente desordenadas (Intrinsically disordered regions) são um exemplo clássico. Elas são importantes no câncer e em doenças neurodegenerativas (neurodegenerative disease), mas suas estruturas flexíveis e mutáveis as tornam inadequadas para a descoberta tradicional de pequenas moléculas (traditional small-molecule discovery).

É por isso que o trabalho recente do laboratório de David Baker (David Baker’s lab) atraiu tanta atenção. Conforme coberto pela Chemistry World, a equipe usou uma abordagem de design generativo (generative design approach) chamada logos para criar ligantes (binders) para regiões de proteínas desordenadas (disordered protein regions) que há muito tempo eram tratadas como efetivamente indrogáveis (undruggable). Os números relatados foram impressionantes: 39 ligantes fortes (tight binders) de 43 alvos testados. Mais importante que a proporção, no entanto, foi o que isso implicava. Se o design guiado por AI (AI-guided design) pode gerar ligantes para alvos móveis e estruturalmente ambíguos, então ele expande a classe de proteínas que os pesquisadores podem razoavelmente buscar, em vez de apenas otimizar os mesmos alvos tratáveis que todos os outros já estão perseguindo.

É aqui que a AI se torna cientificamente valiosa, em vez de meramente eficiente operacionalmente. Ela ajuda os biólogos a explorar regiões do espaço de design molecular (molecular design space) que antes eram muito caras, muito incertas ou muito intensivas em mão de obra para serem pesquisadas com métodos convencionais.

As ferramentas de design estão se tornando utilizáveis por biólogos em atividade

Outra mudança subestimada é a usabilidade. Um ótimo modelo de proteínas tem impacto limitado se apenas um pequeno grupo de especialistas em machine learning puder operá-lo. O MIT recentemente destacou a OpenProtein.AI, uma empresa fundada por pesquisadores com raízes no MIT que está tentando tornar as ferramentas avançadas de design de proteínas (protein-design tooling) acessíveis através de uma interface no-code. Isso é um negócio maior do que parece. Na maioria das organizações de ciências da vida, o gargalo não é apenas a qualidade do modelo. É a camada de tradução entre os métodos computacionais (computational methods) e as pessoas que realmente executam os experimentos.

Quando os engenheiros de proteínas (protein engineers) podem carregar dados, comparar candidatos e ajustar fluxos de trabalho (workflows) sem construir pipelines de ML personalizados (custom ML pipelines) do zero, a adoção parece muito diferente. A plataformização dessas ferramentas poderia fazer pela biologia computacional (computational biology) o que a infraestrutura em nuvem fez pelas startups de software: reduzir a energia de ativação necessária para tentar coisas ambiciosas.

Há também uma consequência estratégica aqui. Os melhores sistemas de AI biológica (biological AI systems) podem não ser aqueles com os modelos brutos mais chamativos. Eles podem ser aqueles que integram o acesso ao modelo, o rastreamento de experimentos, o feedback de ensaios (assay feedback) e os fluxos de trabalho de colaboração em um único ambiente em que as equipes de laboratório úmido (wet-lab teams) possam confiar. Em outras palavras, a vantagem competitiva pode residir cada vez mais no ciclo de design-build-test em vez de apenas no checkpoint do modelo.

A indústria farmacêutica trata a AI como maquinário de pipeline, não como um projeto secundário

Grandes empresas farmacêuticas tornaram-se mais explícitas sobre essa mudança. A AstraZeneca, por exemplo, disse no final de 2025 que mais de 90% de seu pipeline de descoberta de pequenas moléculas (small-molecule discovery pipeline) é assistido por AI, enquanto também impulsiona a AI mais profundamente no design de biológicos (biologics) e peptídeos (peptide design). Seu trabalho MapDiff sobre o dobramento inverso de proteínas (inverse protein folding) reflete um movimento mais amplo da indústria: usar a AI não como um experimento de laboratório de inovação separado, mas como uma camada incorporada em toda a descoberta e design.

Essa integração importa porque a maioria dos ciclos de hype da biotecnologia (biotech hype cycles) colapsa no ponto de entrega. Um modelo impressiona em um artigo, mas nunca se torna parte de um sistema operacional duradouro para equipes de pesquisa. Quando uma grande empresa farmacêutica começa a descrever a AI como parte da rotina de maquinário de descoberta, isso sugere que o campo está amadurecendo de um sucesso técnico isolado para uma mudança de processo.

Também revela o que as empresas realmente se importam. Elas querem sistemas que melhorem a identificação de hits (hit identification), ajudem a otimizar candidatos mais rapidamente, reduzam o desperdício de ensaios (assay waste) e aumentem as chances de que os programas que entram no trabalho pré-clínico (preclinical work) tenham evidências subjacentes mais fortes. Na prática, as ferramentas vencedoras serão aquelas que melhoram as decisões de portfólio (portfolio decisions), não apenas a estética das proteínas.

O que ainda atrapalha

Nada disso significa que o design de proteínas por AI (AI protein design) esteja resolvido. A biologia permanece implacável. Os dados de treinamento (Training data) são desiguais, as condições de ensaio (assay conditions) variam, e muitos traços desejáveis são difíceis de otimizar simultaneamente. Um candidato pode se ligar bem e ainda falhar devido à manufaturabilidade (manufacturability), estabilidade (stability), imunogenicidade (immunogenicity), toxicidade (toxicity) ou comportamento fraco in vivo. O laboratório úmido (wet lab) ainda é onde o otimismo vai para ser auditado.

Existe também o risco de que o campo corrija excessivamente para um novo tipo de hype. A validação experimental (experimental validation) é melhor do que benchmarks sintéticos, mas alguns estudos de caso fortes não são a mesma coisa que uma confiabilidade ampla e repetível em todas as classes de alvos. Os cientistas ainda precisam fazer perguntas difíceis sobre especificidade (specificity), reprodutibilidade (reproducibility) e quão bem esses modelos se generalizam além de demonstrações cuidadosamente escolhidas.

E então há o gargalo prático da geração de dados. A próxima vantagem pode vir de organizações que podem conectar experimentação automatizada (automated experimentation), triagem de alto rendimento (high-throughput screening) e captura de feedback rico aos seus modelos de design. Na engenharia de proteínas (protein engineering), bons modelos importam. Bons ciclos importam mais.

Por que este campo importa agora

A razão para observar o design de proteínas por AI (AI protein design) em 2026 não é que ele eliminará magicamente o custo e a complexidade da descoberta de medicamentos (drug discovery). Não o fará. A razão para observá-lo é que a disciplina está finalmente convergindo para a pergunta certa: pode a AI ajudar os cientistas a produzir moléculas que funcionam no mundo, não apenas no papel?

Isso parece modesto, mas é exatamente a ambição certa. Se a resposta continuar a tender para sim, o efeito pode ser substancial. Os pesquisadores obtêm ciclos de iteração mais rápidos. Equipes menores podem buscar alvos mais difíceis. Programas de medicamentos que antes exigiam anos de busca cega podem começar com melhores priors. E a fronteira entre o design computacional (computational design) e a biologia experimental (experimental biology) torna-se menos rígida a cada ano.

O laboratório úmido (wet lab) ainda é o juiz final. O que mudou é que a AI está se tornando uma testemunha mais credível.