A resistência aos antibióticos: a IA pode ajudar a medicina a combater uma das maiores ameaças à saúde humana.

A inteligência artificial pode ajudar-nos a recuperar terreno onde as abordagens convencionais da medicina começaram a falhar? Ao aplicar inteligência artificial à investigação biomédica, os cientistas conseguem hoje analisar milhões de estruturas químicas e encurtar, de forma significativa, o caminho até à descoberta de novos antibióticos.

Em 1928, Alexander Fleming identificou a penicilina quase por acaso e abriu a porta a uma das maiores viragens da história da saúde: a era dos antibióticos. Estes medicamentos permitiram controlar infeções outrora devastadoras e tornaram-se uma ferramenta central contra centenas de doenças - tão eficaz que, durante décadas, foram utilizados de forma extensa, nem sempre com a prudência necessária.

O problema é que as bactérias, tal como qualquer forma de vida, evoluem sob pressão de seleção natural. Ao expormos bilhões de microrganismos a antibióticos repetidamente, criámos - sem intenção - um forte incentivo evolutivo: as bactérias que, por acaso, tinham mutações protetoras sobreviveram, multiplicaram-se e transmitiram essa vantagem. Como estes ciclos geracionais podem ocorrer milhares de vezes por dia, o nosso arsenal terapêutico foi perdendo eficácia e o aparecimento de super-bactérias resistentes tornou-se cada vez mais frequente.

Neste contexto, não surpreende que a OMS classifique a antibiorresistência entre as ameaças globais mais graves para a saúde pública. Desenvolver novos antibióticos “como sempre fizemos” é um desafio difícil: além de ser um processo muito caro (com custos que podem atingir milhares de milhões de dólares), pode demorar cerca de uma década até um medicamento chegar ao mercado. E, mesmo quando chega, a lógica clínica é usá-lo o menos possível para atrasar a resistência - o que reduz a atratividade económica e trava o investimento.

É aqui que a medicina começa a ganhar uma nova alavanca. Ferramentas baseadas em inteligência artificial permitem acelerar etapas críticas: o sistema AlphaFold, por exemplo, estima a estrutura tridimensional de proteínas, ajudando a compreender melhor as células-alvo e os mecanismos moleculares exploráveis nas bactérias. Já modelos como o AMR-AI procuram antecipar trajetórias evolutivas de agentes patogénicos, apoiando decisões de vigilância e investigação. A força destes sistemas está em condensar décadas de conhecimento terapêutico e biológico, extraindo padrões e hipóteses difíceis de detetar por métodos tradicionais - dando à medicina um impulso que se tornara urgentemente necessário.

Antibiorresistência: uma ameaça sanitária mundial em rápida expansão

Todos os anos, cerca de 1,1 milhões de pessoas morrem devido a infeções causadas por bactérias que os medicamentos já não conseguem eliminar. Se nada mudar, este número poderá chegar a oito milhões de mortes anuais até 2050, ultrapassando o impacto agregado de todas as formas de cancro registadas hoje.

Dois agentes surgem frequentemente na literatura científica como exemplos particularmente preocupantes de antibiorresistência:

• Neisseria gonorrhoeae, responsável pela gonorreia, que já apresenta resistência a quase todos os antibióticos de primeira linha.
• Staphylococcus aureus, bactéria comum presente na pele de quase um terço da população mundial sem causar sintomas, mas cujas estirpes resistentes à meticilina (um antibiótico da família das penicilinas) se tornaram um problema clínico relevante.

Na prática, estes são apenas casos emblemáticos. Por trás deles, dezenas de patogénios seguem a mesma trajetória. A resistência de algumas estirpes avança mais depressa do que a nossa capacidade de a conter - sobretudo se continuarmos dependentes das técnicas farmacológicas habituais e da farmacopeia atual, que se assemelha cada vez mais a uma “armadura” perfurada pela adaptação microbiana.

A renovação terapêutica não acompanha o ritmo do problema. Entre 2017 e 2022, apenas doze novos antibióticos receberam autorização de comercialização, e quase todos eram variações de famílias moleculares já conhecidas - o que significa que, em certos casos, as bactérias já tinham (ou rapidamente desenvolveram) mecanismos de defesa contra essas soluções.

Criar uma molécula verdadeiramente inédita implica mais de uma década de investigação clínica e investimentos que a indústria farmacêutica tem relutância crescente em assumir. As razões acumulam-se: baixa rentabilidade, vida útil terapêutica incerta (porque a resistência pode surgir), exigências regulatórias exigentes e ensaios complexos. Em termos práticos, o setor acabou por recuar do desafio antes de a ciência o conseguir resolver.

Inteligência artificial e super-bactérias: um novo “terreno de caça” para antibióticos

No Massachusetts Institute of Technology, o professor James Collins propôs inverter a lógica: se as bactérias evoluem mais depressa do que a nossa capacidade de desenvolver e produzir medicamentos, faz sentido colocar a descoberta de novos antibióticos nas mãos de um sistema capaz de operar à escala e velocidade do próprio problema.

O modelo foi treinado com o conhecimento acumulado por cerca de um século de farmacologia, incluindo estruturas de antibióticos conhecidos, mecanismos de ação, características morfológicas bacterianas e perfis de toxicidade. O objetivo era ensinar o sistema a identificar o que, na geometria e nos atributos de uma molécula, sugere potencial atividade antibacteriana.

Depois de ganhar essa capacidade de generalização, o algoritmo avançou para uma exploração que seria impraticável para qualquer equipa humana: avaliou 45 milhões de estruturas químicas, não através de testes laboratoriais um a um, mas por inferência computacional. Em vez de depender de tentativa e erro, calculou rapidamente a probabilidade de sucesso ao simular a interação entre moléculas e bactérias.

Com iterações sucessivas - ajustando estruturas promissoras - o modelo gerou 36 milhões de novos compostos. Como sintetizou James Collins, “em poucas horas ou dias, conseguimos analisar bibliotecas imensas de compostos químicos para identificar aqueles com atividade antibacteriana”.

Entre os compostos que foram efetivamente sintetizados e testados contra bactérias reais, dois demonstraram eficácia contra estirpes resistentes, recorrendo a mecanismos de ação suficientemente diferentes dos antibióticos existentes para contornar, pelo menos temporariamente, as defesas já estabelecidas.

À primeira vista, encontrar duas moléculas em 36 milhões pode parecer um resultado fraco - mas, em descoberta de fármacos e bioinformática, é frequentemente o oposto. Muitos programas de desenvolvimento terminam após anos de trabalho sem que qualquer candidato ultrapasse a fase pré-clínica. Identificar duas candidatas credíveis (mesmo ainda sem autorização de comercialização) sugere que o bloqueio era, em parte, tecnológico e cognitivo: os nossos métodos de pesquisa estão a revelar limitações claras. E embora seja evidente que a inteligência artificial não resolverá sozinha a antibiorresistência, torna-se cada vez mais plausível que, sem ela, continuaríamos a avançar demasiado devagar, às apalpadelas, pela terra incognita onde se escondem os antibióticos de amanhã.

Para lá da descoberta: como travar a antibiorresistência no mundo real

Mesmo com melhores candidatos a antibióticos, a antibiorresistência não se combate apenas com inovação laboratorial. A eficácia clínica depende de políticas e práticas consistentes, incluindo uso responsável de antibióticos, vigilância epidemiológica e prevenção de infeções. Sem isso, qualquer nova molécula corre o risco de se tornar obsoleta mais depressa do que o ciclo de investigação consegue acompanhar.

Outra peça crítica é a validação: os modelos de inteligência artificial podem priorizar moléculas promissoras, mas a síntese, os ensaios de toxicidade, a eficácia in vivo e os testes clínicos continuam a ser indispensáveis. O ganho está em reduzir drasticamente o espaço de procura e em orientar melhor os recursos - acelerando o que é possível acelerar, sem substituir as etapas que garantem segurança e eficácia.