Imagine uma empresa de biotecnologia com diretor científico, equipes especializadas, divisões de pesquisa e milhares de cientistas trabalhando simultaneamente, mas sem escritórios, laboratórios, salários ou um único funcionário humano.
Pesquisadores da Stanford Medicine criaram uma estrutura desse tipo usando 37 mil agentes de inteligência artificial para investigar diferentes etapas do desenvolvimento de medicamentos, desde a identificação de alvos biológicos até a análise de ensaios clínicos.
Em um dos testes mais ambiciosos do sistema, esses agentes analisaram aproximadamente 50 mil estudos clínicos em menos de uma semana. Em outro, investigaram câncer de pulmão e chegaram a uma estratégia terapêutica que, meses depois, apareceu de forma independente no trabalho de uma grande empresa farmacêutica.
O projeto foi descrito em estudo publicado em 17 de setembro na revista Science e é liderado por James Zou, professor associado de ciência de dados biomédicos de Stanford, e pelo pesquisador Harrison Zhang.
Uma empresa inteira construída com agentes de IA
A ideia nasceu de um projeto anterior de Zou chamado Virtual Lab, no qual diferentes agentes de IA assumem funções semelhantes às de cientistas de um laboratório acadêmico: discutem hipóteses, analisam informações e propõem caminhos para pesquisas.
Em vez de simular apenas um laboratório, os pesquisadores construíram uma espécie de empresa virtual de biotecnologia, organizada de forma semelhante a uma companhia real.
Um agente assume o papel de diretor científico e coordena divisões especializadas em tarefas como descoberta de alvos para medicamentos, segurança clínica e desenho de ensaios.
A diferença é que novas equipes podem ser criadas praticamente instantaneamente. Foi assim que o sistema chegou a uma força de trabalho virtual de aproximadamente 37 mil agentes especializados.
50 mil ensaios clínicos analisados em menos de uma semana
Um dos primeiros desafios foi descobrir se existiam características biológicas capazes de indicar, antecipadamente, quais medicamentos teriam maior chance de sucesso durante os ensaios clínicos.
Esse é um problema particularmente importante para a indústria farmacêutica. Um único programa de desenvolvimento pode consumir anos e dezenas ou centenas de milhões de dólares antes de se descobrir que uma molécula não funciona suficientemente bem ou provoca efeitos adversos demais.
Os pesquisadores então distribuíram o trabalho entre milhares de agentes. Em vez de deixar um modelo consultar de forma genérica uma enorme coleção de artigos, cada agente recebeu a tarefa de analisar um ensaio clínico específico, reunir informações sobre segurança e eficácia e organizar os dados relevantes.
No total, cerca de 50 mil ensaios clínicos foram catalogados em menos de uma semana. Segundo Zou, realizar manualmente um levantamento dessa dimensão exigiria anos de trabalho humano.
A IA encontrou duas características associadas ao sucesso de medicamentos
Depois de organizar os resultados clínicos, os agentes começaram a procurar padrões nos dados moleculares disponíveis. Duas características chamaram atenção.
A primeira indicava quão específico era o alvo de um medicamento para determinado tipo de célula. Um alvo encontrado principalmente em uma população celular específica tende a permitir uma ação mais direcionada do que outro distribuído por muitos tecidos.
A segunda foi chamada de bimodalidade. Nesse caso, os pesquisadores observaram genes cujo nível de atividade se comporta mais como um interruptor, fortemente ligado ou desligado, do que como um controle de intensidade com inúmeros estados intermediários.
Quando essas duas características apareciam juntas, os resultados clínicos eram melhores.
De acordo com a análise, medicamentos direcionados a genes com comportamento semelhante a um interruptor apresentaram 40% mais chance de avançar da fase 1 para a fase 2, além de associação com 48% maior probabilidade de chegar ao mercado e 32% menos eventos adversos quando comparados a alvos com atividade mais ampla.
As associações apareceram em diferentes áreas da medicina, incluindo câncer, doenças neurológicas, cardiovasculares, renais e pulmonares.
Isso não significa que a IA tenha encontrado uma fórmula que garanta o sucesso de um medicamento. Os números representam associações observadas no conjunto analisado e precisam ser considerados junto a muitos outros fatores envolvidos no desenvolvimento clínico.
Então os agentes receberam um problema de câncer de pulmão
Os pesquisadores quiseram testar algo mais difícil: saber se a estrutura virtual conseguiria ir além da análise de estudos existentes e propor uma estratégia terapêutica. O alvo escolhido foi uma proteína chamada B7-H3, já conhecida pelos pesquisadores de câncer.
Os agentes analisaram estudos e bases de dados biomédicas e identificaram altos níveis de B7-H3 em células chamadas fibroblastos, presentes no tecido conjuntivo e também no ambiente ao redor de muitos tumores.
Ao investigar como essas células interagiam com outras próximas, o sistema encontrou indícios de que fibroblastos ricos em B7-H3 poderiam participar de sinais capazes de reduzir a atividade de células do sistema imunológico ao redor do tumor.
Em outras palavras, esse ambiente poderia ajudar o câncer a se esconder parcialmente das defesas do organismo.
A proposta foi levar quimioterapia diretamente às células com B7-H3
A solução sugerida pelos agentes foi desenvolver um conjugado anticorpo-fármaco, conhecido pela sigla ADC. Esse tipo de tratamento combina duas partes.
O anticorpo funciona como um sistema de localização, reconhecendo uma proteína presente em determinadas células. Ligada a ele existe uma substância tóxica, que pode ser liberada próximo ao alvo.
Nesse caso, os agentes propuseram um ADC capaz de procurar células com altos níveis de B7-H3 e entregar diretamente a elas uma carga de quimioterapia.
A parte mais interessante veio depois.
Meses depois, uma farmacêutica chegou a uma estratégia semelhante
Para avaliar a capacidade de antecipação do sistema, os pesquisadores limitaram as informações disponíveis aos agentes àquelas existentes antes de janeiro de 2025. A IA chegou então à estratégia baseada no B7-H3.
Em agosto de 2025, meses depois do limite estabelecido pelos pesquisadores, uma farmacêutica consolidada apresentou de forma independente uma abordagem baseada no mesmo tipo de conjugado anticorpo-fármaco contra B7-H3.
Segundo Stanford, essa terapia posteriormente recebeu da FDA, agência reguladora dos Estados Unidos, a designação de Breakthrough Therapy, concedida para acelerar o desenvolvimento de tratamentos promissores que já demonstraram evidências clínicas relevantes.
Isso não quer dizer que a IA tenha criado exatamente o mesmo medicamento ou que um tratamento desenvolvido pelos agentes tenha sido administrado a pacientes.
O que ocorreu foi uma convergência independente de estratégia: usando informações anteriores, a empresa virtual apontou para um caminho terapêutico semelhante ao que uma companhia farmacêutica desenvolveu posteriormente no mundo real.
A IA ainda não substitui o laboratório
Apesar do experimento, os próprios pesquisadores destacam uma limitação fundamental. Agentes de IA conseguem ler estudos, cruzar grandes quantidades de dados, propor hipóteses e projetar experimentos. Mas uma descoberta biomédica só se torna útil quando suas previsões são confirmadas fisicamente.
Culturas celulares, animais, tecidos humanos, ensaios clínicos e inúmeras outras etapas continuam dependendo de experimentação no mundo real.
Zou afirma que o próximo passo será justamente levar outros alvos encontrados pela empresa virtual para laboratórios reais e verificar quantos deles resistem à validação experimental.
O diferencial pode estar na escala
O experimento mostra uma característica dos agentes de IA que seria difícil reproduzir apenas contratando mais pesquisadores. Uma organização humana não conseguiria criar milhares de novos especialistas em segundos e entregar a cada um deles um ensaio clínico diferente para analisar simultaneamente.
No ambiente virtual, isso se torna possível, pois os 37 mil agentes não funcionam como 37 mil pesquisadores humanos independentes com formação, experiência e capacidade experimental próprias. São sistemas de IA especializados trabalhando dentro de uma arquitetura coordenada e dependentes dos dados e das ferramentas disponibilizados pelos pesquisadores.
Ainda assim, a escala permite atacar tarefas que antes exigiriam enormes equipes e muito tempo.
Se as próximas descobertas sobreviverem à validação em laboratório, estruturas desse tipo podem se tornar uma nova etapa do processo científico: milhares de pesquisadores virtuais vasculhando possibilidades em alta velocidade, enquanto cientistas humanos decidem quais delas realmente merecem ser testadas no mundo físico.
