Como os laboratórios HIVE tentam preencher a lacuna de dados humanos na descoberta de medicamentos

A tese central da Vivodyne é direta: a descoberta de medicamentos com inteligência artificial enfrenta primeiro um problema de dados — e só depois um problema de modelos. Sistemas de IA conseguem sugerir alvos, moléculas e hipóteses experimentais em alta velocidade. Mas suas previsões ficam limitadas quando os dados de treinamento descrevem principalmente animais, células isoladas, proteínas ou observações, em vez de mostrar como tecidos humanos complexos reagem a uma intervenção.

O CEO da Vivodyne, Andrei Georgescu, já afirmou que os medicamentos projetados por IA ainda não são substancialmente melhores do que os desenvolvidos por humanos, em parte porque não há dados laboratoriais relevantes em quantidade suficiente para que os modelos aprendam. 25

A resposta da empresa é a HIVE, uma plataforma modular de laboratórios autônomos criada para cultivar, tratar, monitorar e analisar tecidos humanos em escala.

O gargalo: correlação não basta

Um modelo de descoberta de medicamentos pode encontrar uma associação entre uma característica biológica e um resultado relacionado a uma doença. Isso, porém, não mostra necessariamente o que acontecerá quando um remédio alterar o sistema, em determinada dose e dentro de um tecido específico.

Por isso, a Vivodyne concentra sua abordagem na perturbação: mudar deliberadamente uma condição e medir a resposta do tecido. Na visão da empresa, esse tipo de experimento produz uma relação mais útil para o desenvolvimento de medicamentos: se o tratamento X for aplicado na dose Y, o tecido Z sofrerá uma mudança mensurável. A plataforma descreve o método como uma forma de gerar dados de causalidade celular por meio de experimentos controlados em tecidos humanos. 2

A diferença é importante. Um modelo treinado com dados incompletos ou pouco compatíveis com a biologia humana pode fazer previsões muito confiantes que não se confirmam em pacientes. O argumento da Vivodyne não é que modelos maiores sejam inúteis, mas que ampliar os modelos sem melhorar, na mesma proporção, a qualidade e a relevância humana dos dados experimentais pode trazer ganhos limitados. 1725

Como funciona a HIVE

A HIVE combina robótica, microfluídica, engenharia de tecidos, administração automatizada de doses e diferentes formas de leitura biológica. A Vivodyne afirma que o sistema consegue cultivar 20 tipos de tecido humano, aplicar medicamentos ou outras perturbações e acompanhar as mudanças ao longo do tempo. 117

A plataforma usa os chamados TissueDisks, que permitem cultivar e dosar centenas de tecidos humanos independentes em paralelo, segundo a empresa. Cada modelo de tecido teria aproximadamente 200 mil a 500 mil células e poderia incluir redes vasculares tridimensionais específicas do tecido, formadas e perfundidas para reproduzir de maneira mais realista a distribuição de terapias. 24

O fluxo de trabalho busca ser contínuo e iterativo:

1. Cultivar modelos padronizados de tecidos humanos.
2. Aplicar um medicamento, uma dose, uma alteração genética ou uma combinação de intervenções.
3. Medir respostas moleculares, celulares e funcionais.
4. Usar os resultados para a análise e para planejar os experimentos seguintes.

Na prática, isso transforma o laboratório em um sistema de produção de dados, e não apenas em uma coleção de testes isolados. O resultado não é simplesmente saber se um tecido sobreviveu. Também pode indicar como ele mudou, quando a mudança ocorreu, quais células foram afetadas e como diferentes doses ou combinações alteraram a resposta.

Por que modelos animais e testes celulares podem falhar na tradução

Modelos animais continuam sendo úteis para estudar efeitos no organismo inteiro. Ainda assim, uma resposta observada em um animal pode não se repetir em humanos. Diferenças entre espécies influenciam o metabolismo dos medicamentos, a toxicidade, as respostas imunes, os mecanismos das doenças e a interação entre vários tecidos.

Testes com células isoladas e proteínas, por sua vez, oferecem detalhes valiosos, mas retiram boa parte da estrutura multicelular e do contexto fisiológico que determinam os efeitos de um medicamento.

Esse descompasso ajuda a explicar por que candidatos promissores em estudos pré-clínicos podem fracassar durante o desenvolvimento em humanos. A proposta da Vivodyne é acrescentar evidências obtidas em tecidos humanos mais cedo no processo, para que alguns problemas de segurança e eficácia sejam detectados antes de um ensaio clínico caro. 113

Há uma limitação importante: um tecido cultivado em laboratório não equivale a um corpo humano completo. Esses modelos podem não reproduzir integralmente a farmacocinética de todo o organismo — como o medicamento é absorvido, distribuído, metabolizado e eliminado —, a comunicação entre órgãos, os efeitos imunes de longo prazo, a variação entre pacientes ou todos os aspectos de uma doença.

Por isso, eles devem ser vistos como uma possível ponte entre testes laboratoriais simplificados e a pesquisa clínica, não como substitutos dos ensaios em pessoas.

Que evidências a Vivodyne divulgou?

A Vivodyne relata ter testado 20 medicamentos quimioterápicos em vários modelos de tecido. Segundo a empresa, seu modelo de fígado previu a toxicidade medicamentosa em humanos com 94% de precisão; o modelo de vias aéreas correspondeu ao comportamento de tecidos humanos em 96% dos casos; e o modelo de medula óssea atingiu 100% de concordância nesse conjunto de testes. 17

Os números podem ser relevantes, mas precisam ser lidos com cautela. O material disponível os apresenta como resultados divulgados pela própria companhia. Ele não comprova uma validação ampla, independente e reproduzida por estudos revisados por pares em várias classes de medicamentos. Também não demonstra, em uma comparação prospectiva com programas pré-clínicos convencionais, que as previsões da HIVE tenham aumentado as taxas de aprovação clínica.

A Vivodyne também anunciou uma instalação com 12 laboratórios HIVE e capacidade anual de 3,1 milhões de experimentos controlados em tecidos humanos vivos. Esse número representa uma alegação sobre a escala operacional da plataforma; por si só, não prova que os experimentos sejam clinicamente preditivos. 37

Financiamento e apoio comercial

A empresa anunciou, em 2023, um total de US$ 38 milhões em financiamento inicial, liderado pela Khosla Ventures, com participação de Kairos Ventures, CS Ventures, MBX Capital e Bison Ventures. 9 Posteriormente, a Vivodyne divulgou uma rodada de US$ 40 milhões para ampliar sua infraestrutura de testes em tecidos humanos orientada por robótica e IA. 7

O financiamento sustenta uma estratégia que trata a biologia experimental como infraestrutura para a IA: primeiro, produzir conjuntos de dados grandes e padronizados; depois, usá-los para aperfeiçoar previsões terapêuticas e priorizar novos experimentos.

O que pode mudar nos ensaios clínicos?

Se a plataforma demonstrar capacidade preditiva em estudos prospectivos e independentes, ela poderá influenciar o desenvolvimento de medicamentos em três frentes principais.

Detectar fracassos mais cedo

Candidatos com eficácia fraca ou toxicidade inaceitável poderiam ser deixados de lado antes de serem administrados a pacientes. Isso não eliminaria fracassos clínicos, mas poderia reduzir o número de candidatos com pouca sustentação biológica que chegam aos ensaios.

Escolher melhor candidatos e doses

Testar várias doses e contextos de tecido pode ajudar pesquisadores a identificar quais candidatos merecem avançar e quais faixas de dosagem devem ser investigadas em humanos. A Vivodyne apresenta sua plataforma de dados humanos como aplicável à descoberta, aos estudos de ADME/toxicidade — absorção, distribuição, metabolismo e excreção — e ao desenho de ensaios clínicos. 13

Criar modelos de IA mais informativos

Experimentos repetidos de intervenção e resposta podem fornecer aos sistemas de IA dados de treinamento que conectem um tratamento a um resultado biológico em nível de tecido. Com o tempo, a Vivodyne espera usar esse material para construir um modelo computacional mais amplo — um “modelo de mundo” da biologia humana. 8

Esse resultado depende da qualidade, da reprodutibilidade, da diversidade e da validação externa dos dados. Mais experimentos não são automaticamente melhores se os modelos de tecido não representarem populações de pacientes relevantes ou se as medições não forem capazes de prever resultados em pessoas.

Por que terapias combinadas são um caso de teste importante

Terapias combinadas exigem que os pesquisadores explorem mais de uma variável ao mesmo tempo: pares de medicamentos, doses, ordem dos tratamentos, intervalo entre aplicações e contexto do tecido. Uma plataforma de tecidos humanos poderia tornar mais viável testar essas combinações de maneira sistemática, buscando efeitos sinérgicos e identificando toxicidades antes da exposição de pacientes.

Isso pode ser especialmente útil em doenças nas quais um único medicamento atua apenas sobre parte de uma via biológica complexa. A ressalva, porém, continua valendo: experimentos com tecidos podem revelar interações dentro da biologia modelada, enquanto os resultados clínicos também dependem de absorção, distribuição, metabolismo, efeitos imunes, interações entre órgãos e diferenças entre pacientes.

Em resumo

A Vivodyne aposta que o próximo avanço da descoberta de medicamentos com IA virá de uma base experimental melhor, e não simplesmente de algoritmos maiores. A HIVE foi projetada para fornecer essa base ao executar experimentos controlados e em alto volume com 20 tipos de tecido humano cultivado em laboratório, convertendo as respostas em dados biológicos estruturados. 117

A abordagem tenta enfrentar uma fraqueza real da pesquisa pré-clínica: modelos treinados ou testados em sistemas simplificados podem não prever com confiabilidade o que acontece em pessoas. Os primeiros números de desempenho e a escala operacional anunciada pela Vivodyne chamam atenção, mas continuam sendo evidências divulgadas pela própria empresa.

O teste decisivo será saber se previsões da HIVE, validadas de forma independente, conseguem melhorar a seleção de candidatos, reduzir fracassos clínicos e produzir modelos de IA que generalizem para além dos tecidos e medicamentos usados no treinamento.