A busca por novos medicamentos é uma jornada lenta, cara e muitas vezes frustrante. Os cientistas devem encontrar moléculas minúsculas que possam se encaixar em alvos específicos no corpo para interromper uma doença, mas essas mesmas moléculas também devem sobreviver à jornada pela corrente sanguínea, evitar serem destruídas pelo fígado e não envenenar células saudáveis. Durante décadas, pesquisadores tentaram ensinar computadores a prever esses resultados mostrando-lhes imagens de moléculas, geralmente representadas como sequências de texto ou diagramas de átomos conectados. No entanto, uma molécula não existe no vácuo; seu comportamento depende inteiramente de como ela interage com os sistemas vivos e complexos ao seu redor. Um modelo que vê apenas a forma de uma molécula é como um mapa que mostra o terreno, mas ignora o clima, o tráfego e as leis locais. Ele pode dizer onde uma estrada vai, mas não se um carro pode realmente trafegar por ela.

Para resolver isso, uma equipe de pesquisadores desenvolveu um novo tipo de inteligência artificial chamado Mol-JEPA. Em vez de tentar adivinhar o futuro de uma molécula alterando levemente sua forma — um método que frequentemente leva ao absurdo, pois pequenas mudanças na química podem causar grandes mudanças no comportamento — este sistema aprende observando a molécula de muitos ângulos diferentes ao mesmo tempo. Imagine tentar entender uma pessoa não apenas pelo seu rosto, mas ouvindo sua voz, observando como ela se move, lendo seu histórico médico e observando como ela reage a diferentes alimentos. O Mol-JEPA faz exatamente isso com substâncias químicas. Ele reúne uma quantidade massiva de informações sobre quase cinco milhões de moléculas, incluindo sua estrutura atômica, como elas se ligam a proteínas, como afetam as células e suas propriedades físicas. O sistema então pratica um jogo de previsão: ele esconde uma parte dessa informação e tenta adivinhar o que é com base no restante. Ao preencher repetidamente essas peças faltantes, o computador aprende uma compreensão profunda e unificada de como as moléculas se comportam no mundo real, em vez de apenas memorizar suas formas estáticas.

Os pesquisadores construíram este modelo usando uma vasta coleção de dados de bancos de dados públicos e novos cálculos. Eles combinaram medições químicas padrão com simulações avançadas de como os átomos se movem e interagem, bem como dados de experimentos que medem como os fármacos afetam células vivas. No total, criaram um conjunto de dados contendo quase cinco milhões de compostos únicos, cada um descrito por até quatorze tipos diferentes de informação. Algumas dessas descrições vieram de modelos computacionais existentes que já haviam aprendido a reconhecer padrões na química, enquanto outras foram calculadas do zero usando física quântica. A equipe então treinou sua IA para agir como um "modelo de mundo", um sistema que entende as regras do universo químico. Durante o treinamento, o computador olharia para a estrutura de uma molécula e seus efeitos celulares, por exemplo, e seria solicitado a prever sua força de ligação a uma proteína específica, ou vice-versa. Se o computador errasse a previsão, ele ajustava sua compreensão interna até acertar. Esse processo permitiu que o modelo aprendesse as conexões ocultas entre a forma de uma molécula e seu comportamento biológico sem precisar ser explicitamente instruído sobre as regras.

Quando a equipe testou este novo modelo contra outros sistemas de inteligência artificial líderes, os resultados foram impressionantes. O modelo teve um desempenho superior aos seus concorrentes em uma ampla gama de tarefas difíceis, particularmente quando os dados eram escassos. No mundo real da descoberta de fármacos, os cientistas frequentemente precisam tomar decisões baseadas em quantidades muito pequenas de dados experimentais, e foi aqui que o novo modelo se destacou. Ele foi capaz de generalizar seu conhecimento para moléculas que nunca tinha visto antes, mantendo alta precisão mesmo quando as moléculas de teste eram quimicamente muito diferentes das que estudou durante o treinamento. Os pesquisadores descobriram que o sucesso do modelo veio de sua capacidade de usar todos os diferentes tipos de informação que lhe foram fornecidos. Quando removeram certos tipos de dados, como a estrutura 3D detalhada da molécula ou seus efeitos celulares, o desempenho do modelo apresentou apenas diferenças menores, sugerindo que as representações aprendidas contêm um grau de redundância onde a informação é codificada através de múltiplas modalidades. O sistema não apenas memorizou os dados; ele aprendeu a raciocinar sobre as relações entre diferentes propriedades químicas.

Uma das descobertas mais importantes foi que o modelo não precisava ser perfeito em cada tarefa individual para ser útil. Em vez disso, ele aprendeu uma representação flexível das moléculas que poderia ser adaptada para muitos problemas diferentes. Os pesquisadores testaram o modelo em vários benchmarks desafiadores, incluindo a previsão de quão bem um fármaco seria absorvido pelo corpo ou quão tóxico ele poderia ser. Em quase todos os casos, o novo modelo superou os melhores métodos anteriores. Ele foi especialmente bom em lidar com o problema "fora da distribuição" (out-of-distribution), que é a dificuldade de prever como uma nova molécula não vista se comportará quando for quimicamente distinta de qualquer coisa presente nos dados de treinamento. Ao aprender a partir de um amplo espectro de contextos biológicos e físicos, o modelo construiu uma compreensão robusta que permitiu fazer palpites confiáveis sobre compostos inéditos. Isso sugere que o futuro da descoberta de fármacos pode não residir na construção de modelos maiores que apenas memorizam mais dados, mas na construção de modelos mais inteligentes que possam integrar diversas fontes de informação para compreender a realidade complexa de como os medicamentos funcionam.

O estudo também revelou que nem todos os tipos de informação eram igualmente importantes, embora o sistema se beneficiasse de tê-los todos. Os pesquisadores descobriram que a modalidade de grafo, que representa a conectividade e a estrutura da molécula, era a peça de informação mais crítica para o desempenho subsequente, mas que as impressões digitais químicas e os dados sobre como as moléculas interagem com as células também eram vitais. Curiosamente, o modelo foi capaz de aprender efetivamente mesmo quando alguns dos dados estavam ausentes ou eram escassos, um problema comum na pesquisa científica. Essa resiliência sugere que a abordagem poderia ser aplicada a outros campos onde os dados são incompletos ou difíceis de obter, como a ciência dos materiais ou a biologia. A equipe observou que, embora o modelo seja poderoso, ele não é uma solução mágica; ainda requer uma seleção cuidadosa dos dados dos quais aprende, e existem limites para o quão bem ele pode prever resultados para moléculas que são completamente diferentes de tudo o que já viu. No entanto, o sucesso desta abordagem marca um passo significativo no sentido de criar uma inteligência artificial que possa verdadeiramente compreender o mundo químico, indo além do simples reconhecimento de padrões para um raciocínio contextual mais profundo que espelha a própria complexidade da vida.