Artificial Intelligence in Drug Discovery: A PRISMA-Based Systematic Review of Methods, Challenges, Taxonomy, and Evaluation Practices

Trazer um novo medicamento da ideia de um cientista para a prateleira de uma farmácia é um empreendimento monumental. Normalmente leva uma década ou mais e custa bilhões de dólares, mas a grande maioria dos potenciais fármacos falha antes mesmo de chegar a um paciente. A maior parte dessas falhas ocorre porque o medicamento não funciona bem o suficiente ou causa efeitos colaterais prejudiciais que só aparecem tardiamente no processo de teste. Para acelerar essa jornada lenta e cara, pesquisadores recorreram à inteligência artificial. Neste contexto, a inteligência artificial refere-se a sistemas computacionais que podem aprender com dados para encontrar padrões e fazer previsões sem serem explicitamente programados com cada regra individual. Uma das ferramentas mais poderosas neste campo é o aprendizado de máquina (machine learning), onde computadores analisam quantidades massivas de informações para melhorar seu próprio desempenho ao longo do tempo. Outro conceito fundamental é o pipeline de descoberta de fármacos, que é o processo passo a passo de encontrar um alvo de doença, triar milhões de compostos químicos e refinar os melhores candidatos em medicamentos seguros. Durante anos, este processo dependeu fortemente da intuição humana e de testes manuais lentos, mas o número absoluto de combinações químicas possíveis é tão vasto que o esforço humano sozinho não consegue explorá-las todas.

Uma nova e abrangente revisão da literatura científica mapeou exatamente como a inteligência artificial está sendo usada atualmente para enfrentar esses desafios. Os pesquisadores por trás deste estudo, liderados por Mahmud Ahmed e colegas, não conduziram um novo experimento em laboratório. Em vez disso, atuaram como arquivistas mestres, reunindo e analisando 618 artigos científicos distintos publicados entre 2019 e 2026. Eles pesquisaram em três grandes bases de dados contendo milhões de registros, filtrando duplicatas e estudos irrelevantes para focar apenas em pesquisas de alta qualidade que aplicavam inteligência artificial à descoberta de fármacos. O objetivo era filtrar o ruído de um campo em rápido crescimento, onde milhares de novos artigos aparecem todos os anos, para entender quais métodos realmente funcionam, para onde o campo está indo e quais problemas permanecem sem solução. Eles queriam criar um quadro claro do panorama, organizando a mistura caótica de técnicas em uma estrutura organizada que cientistas e líderes da indústria possam usar para seguir adiante.

A revisão revelou que o campo explodiu nos últimos anos. Em 2019, havia apenas 11 estudos relevantes, mas até 2026, esse número saltou para 159, mostrando um aumento de quatorze vezes. A abordagem mais comum encontrada nesses estudos é o aprendizado de máquina, que apareceu em quase todos os artigos revisados. Dentro dessa categoria ampla, o aprendizado profundo (deep learning) — um tipo de inteligência artificial modelado após as redes neurais do cérebro humano — foi usado em cerca de 78% dos estudos. Embora métodos mais antigos, como a modelagem de relação quantitativa estrutura-atividade, que prevê como uma molécula se comportará com base em sua forma, ainda sejam amplamente utilizados, tecnologias mais novas estão surgindo rapidamente. Redes neurais de grafos, que tratam moléculas como mapas de pontos conectados para entender sua estrutura, e modelos transformer, que são o mesmo tipo de tecnologia por trás de ferramentas avançadas de linguagem, tornaram-se forças dominantes, particularmente em artigos publicados nos últimos dois anos. Essas ferramentas mais novas são especialmente boas em projetar moléculas inteiramente novas do zero, em vez de apenas testar as existentes.

Os pesquisadores organizaram essas descobertas em um sistema claro, mostrando quais ferramentas de inteligência artificial são mais adequadas para cada estágio do processo de descoberta de fármacos. A aplicação mais frequente é a triagem virtual (virtual screening), onde computadores testam rapidamente milhões de compostos químicos para ver quais deles poderiam se ligar a um alvo de doença. Isso representou mais da metade dos estudos. A segunda área mais comum é o design de novo (de novo design), onde a inteligência artificial inventa novas estruturas químicas que nunca existiram antes. Embora essas ferramentas sejam poderosas, a revisão descobriu que o campo ainda luta para provar que elas funcionam de forma confiável. Um problema importante é que muitos estudos usam apenas um tipo de medição para julgar o sucesso, focando frequentemente em uma única pontuação que pode ser enganosa quando os dados estão desequilibrados. Por exemplo, se um conjunto de dados contém principalmente compostos inativos, um modelo pode parecer altamente preciso simplesmente ao adivinhar que tudo é inativo, embora falharia em encontrar os poucos fármacos ativos que importam. A revisão descobriu que muito poucos estudos relataram as métricas específicas necessárias para detectar esses erros, tornando difícil comparar diferentes métodos de forma justa.

Outra descoberta significativa é que, embora os modelos computacionais estejam se tornando mais sofisticados, a aplicação no mundo real desses modelos está ficando para trás. Os maiores desafios identificados não foram falhas técnicas dos próprios algoritmos, mas sim a dificuldade de integrar essas previsões digitais em experimentos reais de laboratório úmido (wet-lab) e ensaios clínicos. Apenas uma pequena fração dos estudos incluídos na revisão testou seus modelos em dados novos e independentes para ver se funcionariam em um cenário diferente. Além disso, muitos desses poderosos sistemas de inteligência artificial são "caixas pretas", o que significa que até mesmo os cientistas que os construíram não conseguem explicar totalmente por que o computador fez uma previsão específica. Essa falta de transparência é um grande obstáculo para os reguladores, que exigem explicações claras antes de aprovar novos medicamentos. A revisão também destacou que os dados usados para treinar esses modelos são frequentemente incompletos ou enviesados, o que pode levar a modelos que funcionam bem em uma simulação computacional, mas falham quando aplicados a sistemas biológicos reais.

A distribuição geográfica desta pesquisa também é reveladora, com a maioria dos estudos vindo da China, dos Estados Unidos e da Índia. A revisão observou que a contribuição da Índia é maior do que o reconhecido anteriormente, sugerindo um centro crescente de inovação naquela região. Apesar do rápido crescimento e do volume impressionante de pesquisa, os autores concluem que o campo está em uma encruzilhada crítica. A tecnologia avançou ao ponto de poder gerar novos candidatos a fármacos e prever suas propriedades com alta precisão, mas a infraestrutura para validar, interpretar e implantar esses candidatos com segurança ainda não está pronta. A revisão sugere que o próximo grande passo não é apenas construir modelos maiores, mas criar sistemas que sejam transparentes, reproduzíveis e capazes de trabalhar com diferentes tipos de dados, como combinar informações genéticas com estruturas químicas. Até que essas lacunas sejam preenchidas, a promessa da inteligência artificial de reduzir drasticamente o tempo e o custo de trazer novos medicamentos vitais ao mercado permanecerá apenas parcialmente realizada.