IA cria anticorpo ultrapotente em teste cego — mas só vence uma das tarefas

O primeiro grande teste prospectivo e cego de design de anticorpos por inteligência artificial trouxe um resultado misto: a tecnologia conseguiu gerar candidatos altamente potentes e validados em laboratório, mas nenhum método apresentou desempenho consistente em todas as tarefas.\n\nO caso de maior destaque foi o da Aureka Biotechnologies. Um anticorpo projetado por seu modelo contra o domínio de ligação ao receptor da proteína spike do SARS-CoV-2 alcançou afinidade medida de 94,7 pM — uma melhora de aproximadamente 2.000 vezes em relação ao anticorpo parental. O resultado foi estatisticamente comparável ao melhor clone obtido por maturação experimental convencional, que chegou a 113 pM. 16\n\n## Como funcionou o desafio AIntibody\n\nInspirado nos testes CASP, usados para comparar previsões computacionais de estruturas e funções biológicas, o AIntibody Challenge foi desenhado para separar as pontuações dos modelos de seu desempenho real. Vinte e nove organizações enviaram 511 sequências de anticorpos, que foram avaliadas por equipes independentes em condições laboratoriais padronizadas. Os participantes não validaram seus próprios resultados. 12\n\nO benchmark usou anticorpos contra o domínio de ligação ao receptor da spike do SARS-CoV-2 e avaliou três situações comuns na descoberta de medicamentos:\n\n1. Maturação de afinidade in silico: melhorar um anticorpo parental fornecido pelos organizadores.\n2. Classificação por afinidade: identificar os melhores ligantes dentro de três grupos restritos de sequências HCDR3.\n3. Design fora da biblioteca: criar ou otimizar sequências de CDR fora das bibliotecas experimentais disponibilizadas. 1\n\nA ligação foi medida por ressonância plasmônica de superfície e pelo teste independente KinExA. Os anticorpos também passaram por um painel com cinco ensaios de desenvolvibilidade — avaliações de características que podem inviabilizar um candidato mesmo quando sua ligação ao alvo é muito forte. Assim, as inscrições foram julgadas pelo comportamento no laboratório, e não apenas pelos números produzidos pelos modelos. 1\n\n## O resultado de 94,7 pM da Aureka\n\nO melhor resultado da Aureka veio na tarefa de maturação de afinidade. O anticorpo vencedor aparece no artigo como AuraBind e está associado à plataforma AuraIDE, desenvolvida pela empresa. Sua afinidade medida foi de 94,7 pM, cerca de 2.000 vezes melhor que a do anticorpo parental. 146\n\nA comparação com a experimentação convencional exige alguma cautela. O melhor clone maturado experimentalmente, produzido após cerca de três meses de maturação por fagos, apresentou afinidade de 113 pM. O número da Aureka é menor — portanto, indica uma ligação numericamente mais forte —, mas a diferença entre os dois melhores anticorpos não foi estatisticamente decisiva. A interpretação mais precisa é que o design por IA igualou o melhor resultado experimental nesse teste, e não que o superou de forma conclusiva. 16\n\nO desempenho da empresa não se resumiu a uma única sequência chamativa. A Aureka produziu seis anticorpos com afinidade inferior a 10 nM que também passaram pelos critérios de desenvolvibilidade do desafio. Suas inscrições ficaram em primeiro, segundo e quinto lugar nos resultados de maturação de afinidade. 1\n\n## Por que a sequência vencedora chamou atenção\n\nO anticorpo vencedor não era simplesmente uma cópia de um clone selecionado anteriormente em laboratório. De acordo com o estudo, a sequência recombinou substituições e padrões de mutação inferidos a partir dos dados de seleção fornecidos. Um modelo de afinidade orientado por informações estruturais escolheu o design entre 10 mil candidatos gerados. 1\n\nA plataforma combinou modelagem estrutural com um preditor de aptidão treinado para preferências. Em vez de tentar prever diretamente a constante absoluta de ligação de cada sequência, o preditor aprendeu a relação entre as sequências e o enriquecimento experimental relativo — uma estratégia mais alinhada à tarefa prática de ordenar candidatos para testes posteriores. 1\n\nEssa diferença é importante na descoberta de anticorpos. Um sistema útil não precisa necessariamente saber a afinidade final exata de cada sequência. Ele precisa aumentar a probabilidade de que um conjunto administrável de candidatos contenha moléculas fortes e utilizáveis.\n\n## Aureka venceu uma tarefa, não o benchmark inteiro\n\nAureka foi a vencedora clara da primeira tarefa, mas seu resultado não se transformou em domínio nas três frentes. Na classificação dos grupos de sequências, as lideranças variaram: UCSD/Scripps venceu no grupo 27F, WashU/Xencor no 28F e WashU no 47F. A Xencor venceu a tarefa de design fora da biblioteca. 1\n\nA análise do artigo também concluiu que todos os grupos cujos resultados foram divulgados tiveram pelo menos uma tarefa em que seu melhor desempenho ficou bem distante das principais inscrições. 1\n\nEsse é o ponto central do benchmark: design de anticorpos por IA não é uma capacidade única e uniforme. Um sistema que funciona bem para melhorar um anticorpo conhecido, com muitos dados específicos do alvo, pode ser bem menos confiável ao classificar sequências agrupadas ou criar designs fora de uma biblioteca existente.\n\n## O que muda no trabalho de laboratório\n\nA principal implicação prática está na otimização de candidatos, e não na eliminação do laboratório. Em um cenário favorável, um modelo competente pode reduzir o número de ciclos de construção de bibliotecas de anticorpos, seleção por display, expressão de clones e triagem. Na primeira tarefa, cerca de 13% das inscrições obtiveram uma melhora de pelo menos 20 vezes em relação ao anticorpo parental, embora o desempenho tenha variado bastante entre os participantes. 1\n\nO resultado apoia um fluxo de trabalho com participação contínua do laboratório:\n\n- usar dados experimentais de seleção e sequenciamento para orientar a geração de candidatos;\n- usar modelos para priorizar um conjunto menor e potencialmente mais diversificado de sequências;\n- expressar e testar essas sequências em condições cegas e padronizadas;\n- avaliar afinidade e desenvolvibilidade antes de avançar com os candidatos.\n\nA etapa final continua indispensável. Alguns designs com afinidade muito alta falharam em um ou mais ensaios de desenvolvibilidade, especialmente nos testes relacionados à polirreatividade. Uma medição de 94,7 pM é impressionante, mas a força de ligação, sozinha, não torna um anticorpo adequado para um programa de desenvolvimento de medicamentos. 1\n\n## A grande limitação: generalização\n\nO estudo foi um teste prospectivo exigente, mas também ofereceu um ambiente relativamente favorável à IA. Ele usou um único antígeno bem caracterizado, dados extensos de sequenciamento profundo e afinidade e, sobretudo nas segunda e terceira tarefas, informações que talvez não estejam disponíveis tão cedo em uma campanha real de descoberta. 1\n\nOs resultados refletem essa limitação. Nos conjuntos de HCDR3 agrupados, todos os modelos, com exceção de um, apresentaram desempenho fraco ou pior que o acaso ao tentar prever clones de alta afinidade. Os resultados do design fora da biblioteca também variaram muito. 12\n\nEm outras palavras, o benchmark não demonstra que a IA terá desempenho igualmente forte diante de antígenos desconhecidos, conjuntos de dados pequenos, diferentes formatos de anticorpos ou do conjunto mais amplo de propriedades exigidas no desenvolvimento terapêutico. Ele mostra que alguns sistemas podem funcionar excepcionalmente bem em contextos definidos e biologicamente fundamentados.\n\n## O que o resultado representa para a Aureka\n\nPara a Aureka, o benchmark oferece uma validação particularmente relevante porque conecta sua plataforma a um resultado experimental avaliado de forma independente, e não apenas a uma pontuação interna do modelo. A empresa fechou posteriormente uma rodada Série B de US$ 100 milhões em agosto de 2026, elevando o financiamento acumulado divulgado para quase US$ 200 milhões. A Granite Asia financiou a primeira tranche, enquanto um investidor estratégico liderou uma tranche posterior. 1821\n\nA Aureka também descreveu colaborações de desenvolvimento de negócios e no formato NewCo com várias empresas farmacêuticas multinacionais. 4 Essas parcerias e o novo capital ampliam os recursos da companhia e podem criar caminhos para transformar designs gerados por modelos em programas de desenvolvimento de medicamentos. 418\n\nMas o benchmark não equivale a uma validação clínica. Ele não prova que a plataforma da Aureka produzirá medicamentos bem-sucedidos nem que seja amplamente superior aos métodos experimentais de descoberta de anticorpos. A evidência sustenta uma afirmação mais restrita — e mais útil: o fluxo de trabalho assistido por IA da Aureka pode gerar candidatos de anticorpos muito potentes e desenvolvíveis em pelo menos um cenário de otimização bem definido, enquanto o setor ainda precisa de testes cegos mais amplos, com diferentes alvos e condições de descoberta.