Como a IA busca novos superantibióticos: nossa luta silenciosa contra bactérias resistentes

Hospitais em diferentes países vêm relatando com cada vez mais frequência infecções em que os medicamentos habituais simplesmente deixam de funcionar. Enquanto médicas e médicos trabalham no limite, a ciência procura com urgência uma saída. Nesse cenário, muitas expectativas passaram a recair sobre a Inteligência Artificial (IA): a promessa é acelerar a descoberta de novos compostos e ajudar a desacelerar a resistência a antibióticos.

Como enfraquecemos, com as próprias mãos, nosso arsenal mais forte de medicamentos

No fim da década de 1920, a descoberta do efeito da penicilina inaugurou uma das maiores viradas da história da medicina. Doenças como pneumonia, sepse (infecção generalizada do sangue) e infecções de feridas - antes frequentemente fatais - tornaram-se tratáveis. Por décadas, os antibióticos foram vistos como uma arma quase perfeita.

Foi justamente esse sucesso que abriu caminho para um problema enorme. Em muitos lugares, antibióticos passaram a ser prescritos com excesso: para infecções virais, resfriados leves, uso na criação de animais e, em alguns casos, até de forma preventiva. Com isso, bactérias que por acaso resistiam ao princípio ativo tiveram vantagem, multiplicaram-se e ainda conseguiram transmitir seus mecanismos de proteção.

Ao longo de inúmeras gerações, essa “seleção” favoreceu o surgimento dos chamados superbactérias - linhagens resistentes a várias classes de antibióticos ao mesmo tempo. E elas não estão restritas a hospitais: aparecem também em instituições de longa permanência (como casas de repouso), na agropecuária e no ambiente.

A resistência a antibióticos evolui muito mais rápido do que novos medicamentos chegam ao mercado - e tudo indica que estamos perdendo essa corrida.

Um olhar “One Health”: por que o problema não termina na porta do hospital

A resistência a antibióticos é um tema de saúde única (One Health): o que acontece na clínica humana se conecta ao uso na veterinária, à produção de alimentos, ao saneamento e à circulação de microrganismos no meio ambiente. Resíduos de antibióticos e bactérias resistentes podem se espalhar por água, solo e cadeias produtivas, criando um ciclo que reforça o problema e dificulta o controle apenas com medidas hospitalares.

Resistência a antibióticos: milhões de mortes - e um cenário sombrio para 2050

Estimativas atuais apontam que, globalmente, cerca de 1,1 milhão de pessoas por ano morrem diretamente por infecções contra as quais antibióticos comuns já quase não fazem efeito. Quando se somam efeitos indiretos, esse número sobe de forma significativa.

Estudos alertam que, se nada mudar de maneira fundamental, até 2050 o total pode chegar a 8 milhões de mortes anuais. Nesse ritmo, infecções resistentes poderiam matar mais do que todos os tipos de câncer somados causam hoje.

Alguns patógenos aparecem com frequência no centro das preocupações:

• Neisseria gonorrhoeae: bactéria responsável pela gonorreia, que se tornou pouco sensível a muitos antibióticos de primeira linha.
  
• Staphylococcus aureus (MRSA): frequentemente presente na pele e inofensivo em pessoas saudáveis, mas certas cepas resistem a medicamentos importantes e podem provocar infecções graves em feridas ou na corrente sanguínea.

E esses nomes estão longe de esgotar a lista. Por trás deles, há dezenas de outros microrganismos que, passo a passo, vêm “escapando” do alcance dos tratamentos que funcionavam no passado.

Por que a pesquisa tradicional, sozinha, já não dá conta

A criação de novos antibióticos avança lentamente há anos. Entre 2017 e 2022, apenas 12 novos princípios ativos receberam aprovação no mundo - e a maior parte era composta por variações de substâncias já conhecidas. Para muitas bactérias, isso significa que estratégias de defesa já existem ou podem surgir rapidamente.

Os motivos são diretos - e difíceis de contornar:

• Um antibiótico realmente novo costuma exigir mais de 10 anos de pesquisa.
  
• O desenvolvimento consome bilhões em investimento.
  
• Para preservar a eficácia, antibióticos deveriam ser usados o mínimo possível - o que reduz o retorno financeiro para fabricantes.
  
• Estudos com pacientes gravemente doentes são caros e sofrem regulação mais rígida do que em quase qualquer outra área.

Por isso, várias farmacêuticas recuaram nesse campo. O resultado é um paradoxo: mesmo com a demanda aumentando, há relativamente pouco movimento nas grandes “pipelines” corporativas.

Existe um paradoxo médico: quanto mais precisamos de novos antibióticos, menos atraente financeiramente se torna desenvolvê-los.

Incentivos e políticas: a peça que falta para transformar descoberta em acesso

Mesmo que a IA ajude a encontrar candidatos promissores, transformar moléculas em medicamentos disponíveis depende de incentivos económicos e decisões regulatórias. Modelos como compra antecipada, prémios por inovação e financiamentos público-privados podem reduzir o risco para quem desenvolve antibióticos - especialmente porque o uso responsável (e mais restrito) diminui as vendas por design. Sem esse arranjo, há o risco de a ciência avançar mais rápido do que a capacidade de levar soluções ao sistema de saúde.

Como a Inteligência Artificial (IA) avalia milhões de compostos enquanto a equipa dorme

É aqui que a Inteligência Artificial (IA) muda o jogo. Em vez de testar molécula por molécula de forma sequencial, equipas de pesquisa alimentam algoritmos com volumes enormes de dados de química, biologia e medicina.

Um caso emblemático: um grupo do Massachusetts Institute of Technology (MIT) treinou um modelo com praticamente tudo o que a farmacologia já sabia sobre antibióticos - estruturas químicas, mecanismos de ação, características das bactérias e perfis de toxicidade.

Com isso, o sistema aprendeu a identificar padrões: quais formas geométricas e grupos de átomos “sugerem” potencial antimicrobiano e quais não. A partir dessa base, a IA passou a avaliar estruturas químicas novas com muito mais velocidade do que qualquer triagem laboratorial convencional.

Em vez de cultivar cada substância e testá-la em bactérias no laboratório, o programa estima probabilidades de sucesso:

• Aproximadamente 45 milhões de estruturas moleculares conhecidas ou teóricas foram analisadas virtualmente.
  
• Em simulações, a IA estimou quão bem cada composto poderia se ligar a alvos específicos dentro da bactéria.
  
• Os candidatos mais promissores foram ajustados: modificados, expandidos ou recombinados para melhorar desempenho.

Assim, surgiram cerca de 36 milhões de novas ligações químicas - ainda não em tubos de ensaio, mas primeiro no computador.

Dois acertos - e, ainda assim, um avanço enorme

Depois, uma pequena amostra desses compostos virtuais foi de facto sintetizada e testada no laboratório. O resultado: duas moléculas demonstraram ação contra microrganismos especialmente resistentes e atacaram as bactérias por um mecanismo que se diferencia claramente das classes de antibióticos já existentes.

À primeira vista, dois “hits” em 36 milhões pode parecer pouco. Na prática, é um excelente desfecho: muitos programas clássicos de descoberta passam anos sem conseguir gerar sequer uma substância capaz de chegar a testes clínicos iniciais.

A IA sugere que o problema nem sempre era falta de conhecimento - e sim a incapacidade de vasculhar esse conhecimento com rapidez suficiente.

Outras ferramentas de IA: de dobramento de proteínas à previsão de resistência

Além de algoritmos de triagem, outros sistemas tornaram-se centrais. Um dos mais conhecidos é o AlphaFold, uma IA capaz de prever a estrutura tridimensional de proteínas. Para a pesquisa de antibióticos, isso é decisivo: para desenhar um fármaco que “encaixe” no alvo certo, é preciso saber como esse alvo realmente se organiza no espaço.

Em paralelo, surgem modelos que tentam antecipar o rumo da resistência. Sob o rótulo AMR-AI (Antimicrobial Resistance AI), programas calculam qual mutação tem maior probabilidade de se impor em seguida e como esse risco muda conforme o uso de um antibiótico específico.

Essas previsões podem apoiar hospitais, por exemplo, a:

• desenhar terapias que reduzam a chance de favorecer cepas resistentes;
  
• identificar cedo quais patógenos podem virar um problema dentro da instituição;
  
• direcionar medidas de higiene e controlo de infeção para os agentes mais perigosos.

O que a IA pode (e não pode) fazer - e como pacientes podem ajudar na prática

Apesar de trazer um novo fôlego de esperança, a IA não é uma solução mágica. Qualquer candidato a antibiótico ainda precisa passar por estudos pré-clínicos, ensaios clínicos e processos rigorosos de aprovação. Muitos compostos apontados pela IA vão falhar no caminho - por efeitos adversos, baixa estabilidade ou obstáculos práticos de fabricação e dosagem.

Ainda assim, há uma mudança clara de eficiência: em vez de “tatear no escuro” bibliotecas químicas durante anos, a investigação torna-se mais dirigida. O laboratório passa a gastar tempo e recursos principalmente em moléculas com maior probabilidade de funcionar.

Ao mesmo tempo, o dia a dia continua a ser decisivo. Sem uso responsável dos antibióticos atuais, nem a melhor IA impedirá que a resistência continue a crescer. Na prática, isso inclui:

• tomar antibióticos apenas quando médicas e médicos considerarem realmente necessário;
  
• completar o tratamento até o fim, sem interromper por conta própria ao sentir melhora;
  
• não guardar sobras nem repassar comprimidos para outras pessoas;
  
• em hospitais, cumprir as orientações de higiene e desinfetar as mãos com regularidade.

Por que a resistência a antibióticos é assunto de toda a sociedade - e onde a IA ainda pode avançar

É comum associar bactérias resistentes a UTIs e internamentos graves. Mas o problema já está no cotidiano: infecções urinárias, otites e feridas com pus tornam-se mais difíceis de tratar quando os medicamentos padrão falham. Até procedimentos de rotina, como cirurgias de prótese de quadril ou cesarianas, ficam mais arriscados quando infecções deixam de ser controláveis.

No longo prazo, a IA pode contribuir não apenas com novos antibióticos, mas também com diagnósticos mais rápidos e precisos. Sistemas que analisam exames laboratoriais, sintomas e prontuários conseguem encontrar padrões que passam despercebidos a olho humano. Isso abre caminho para identificar mais cedo patógenos resistentes e iniciar tratamentos direcionados com maior agilidade.

Termos como estrutura de proteína, desenho molecular e modelagem de resistência podem soar abstratos. No fim, porém, o objetivo é muito concreto: evitar que um corte no dedo evolua para uma sepse e manter a pneumonia em pessoas idosas como uma condição tratável. A IA já trabalha nesse desafio - discretamente, mas com um potencial enorme.