Como a Virtual Biotech de Stanford analisou 55.984 ensaios clínicos com agentes de IA

A Virtual Biotech, criada por pesquisadores de Stanford como James Zou e Harrison Zhang, não é um laboratório farmacêutico autônomo. Trata-se de um sistema computacional de pesquisa: agentes de inteligência artificial especializados trabalham em paralelo, sob a coordenação de um agente que atua como diretor científico virtual. 12

Sua demonstração mais chamativa foi organizar e analisar dados de 55.984 ensaios clínicos. O trabalho apontou padrões que podem ajudar a priorizar alvos para medicamentos e formulou uma hipótese terapêutica para câncer de pulmão. Isso, porém, não prova que um novo remédio seja seguro ou eficaz: ainda são necessários estudos de bancada, testes em pessoas e avaliação regulatória. 12

Como mais de 37 mil agentes trabalharam sobre os ensaios clínicos

Em vez de pedir a um único modelo de IA que resumisse uma literatura gigantesca, a Virtual Biotech dividiu o problema entre agentes com funções científicas distintas. O agente-diretor científico delegava tarefas a especialistas em áreas como biologia de alvos, desenho molecular e análise de ensaios clínicos, reunindo depois os resultados. 12

Na análise em larga escala, o sistema acionou mais de 37 mil agentes voltados a ensaios clínicos em paralelo. Eles estruturaram resultados publicados de segurança e eficácia de 55.984 estudos e conectaram os alvos dos fármacos a anotações genômicas, moleculares e de célula única. Stanford informou que cerca de 50 mil ensaios foram catalogados em menos de uma semana. 2

O ganho de velocidade veio da paralelização: muitos agentes podiam recuperar, anotar e conferir registros específicos ao mesmo tempo. Foi, portanto, um fluxo de curadoria de evidências em escala incomum — não uma demonstração de que a IA realizou experimentos ou descobriu, por conta própria, um medicamento já validado clinicamente. 12

Os traços dos alvos associados a resultados históricos melhores

A análise destacou duas características de alvos de medicamentos:

• Especificidade por tipo celular: quando um gene ou proteína se concentra no tipo de célula mais relevante para a doença, em vez de atuar amplamente em muitos tipos celulares.
• Bimodalidade: quando a atividade de um gene se comporta mais como um interruptor, entre estados discretos de ligado e desligado, do que como uma variação gradual.

Segundo os pesquisadores, alvos com forte especificidade por tipo celular e comportamento bimodal estiveram associados a melhores resultados de desenvolvimento nos dados históricos. Fármacos direcionados a genes específicos de determinados tipos celulares tiveram 40% mais probabilidade de avançar da Fase I para a Fase II, 48% mais probabilidade de chegar ao mercado e foram associados a 32% menos eventos adversos. 2

Esses números indicam associações em um conjunto de dados organizado, não efeitos garantidos para cada alvo ou tratamento. Uma explicação biologicamente plausível é que um alvo restrito às células relevantes para a doença talvez seja mais fácil de modular de forma seletiva, reduzindo efeitos indesejados em outras partes do corpo. Essa hipótese ainda precisa ser testada experimentalmente. 12

A hipótese para B7-H3/CD276 no câncer de pulmão

A Virtual Biotech também investigou a proteína B7-H3, ou CD276, no câncer de pulmão. Com base em informações públicas disponíveis antes de janeiro de 2025, o sistema identificou uma justificativa relacionada à expressão de B7-H3 em fibroblastos próximos ao tumor e propôs que essas células poderiam contribuir para a supressão imunológica local. 2

A proposta foi usar um conjugado anticorpo-fármaco, conhecido pela sigla ADC. Nesse tipo de estratégia, um anticorpo que reconhece o alvo é ligado a uma carga citotóxica; em tese, isso permite levar o composto que destrói células preferencialmente às células que exibem a proteína-alvo. O resultado da IA foi um desenho pré-clínico e uma hipótese mecanística — não um produto fabricado nem um tratamento comprovado. 12

B7-H3 também é um alvo em desenvolvimento na indústria farmacêutica. A GSK descreve o risvutatug rezetecan (GSK5764227) como um ADC experimental contra B7-H3 para câncer de pulmão de pequenas células. Materiais da empresa relatam que o ativo recebeu da FDA, agência reguladora dos Estados Unidos, a designação de Terapia Inovadora para doença extensa recidivada ou refratária.

Mas os registros fornecidos não permitem apresentar esse programa como validação clínica posterior da proposta da Virtual Biotech. O anúncio citado da GSK é de agosto de 2024, anterior ao corte de janeiro de 2025 usado na análise de Stanford. O interesse comum em B7-H3 indica convergência estratégica em torno de um alvo, e não prova de que o sistema de IA tenha originado, reproduzido ou validado clinicamente o programa da GSK. 2

O que a Virtual Biotech ainda não demonstrou

A principal limitação está na distância entre raciocínio computacional e comprovação médica. Os agentes de IA não:

• realizaram experimentos em células, animais ou seres humanos;
• estabeleceram seletividade, dose, farmacocinética, toxicidade ou perfil de resistência de um ADC;
• fabricaram uma terapia; nem
• demonstraram benefício para pacientes em um ensaio clínico. 12

Outros cientistas alertaram que a plataforma ainda não enfrentou o teste prático da descoberta de medicamentos: a validação experimental. Correlações históricas podem ajudar a priorizar pesquisas, mas também podem refletir problemas de qualidade dos dados, variáveis de confusão ou padrões que não se sustentam em um programa prospectivo. 1

O próximo passo: validação experimental

A utilidade mais promissora da Virtual Biotech pode estar em reduzir espaços de busca científicos enormes e tornar a revisão de evidências mais sistemática. Cientistas humanos continuam essenciais para definir a pergunta, examinar os dados de origem, avaliar a plausibilidade biológica e decidir quais hipóteses merecem investigação. 12

No caso da proposta para B7-H3, uma validação relevante exigiria reprodução independente e, depois, estudos de laboratório sobre a biologia do alvo, ligação e seletividade do ADC, eficácia, toxicidade, farmacocinética e resistência. Só ensaios clínicos adequadamente desenhados poderão determinar se um tratamento melhora os resultados dos pacientes. 12

A conclusão mais equilibrada é promissora, mas cautelosa: sistemas de IA com múltiplos agentes conseguem organizar evidências biomédicas rapidamente e gerar hipóteses testáveis. Eles não eliminaram a necessidade de ciência experimental rigorosa — nem do julgamento humano em cada decisão importante.