Superbactérias fora de controle: como a IA descobre novos antibióticos rapidamente

Hospitais têm relatado com cada vez mais frequência infecções em que nenhum medicamento padrão funciona. Enquanto médicas e médicos disputam cada substância ainda eficaz, algoritmos no Massachusetts Institute of Technology (MIT) vasculham milhões de estruturas químicas. A meta é clara: encontrar novos antibióticos antes que as bactérias resistentes assumam de vez o controle.

Quando os antibióticos perdem o fio

Desde que Alexander Fleming identificou o efeito da penicilina em 1928, os antibióticos transformaram a medicina. Pneumonia, septicemia, infecções de feridas - muitas doenças antes fatais passaram a ter tratamento. Só que esse próprio sucesso ajudou a alimentar o problema.

Por décadas, antibióticos foram prescritos com liberalidade: para infecções virais, resfriados leves, na engorda de animais e também na agricultura. Cada dose impõe pressão seletiva às bactérias. Microrganismos que, por acaso, carregam uma mutação protetora sobrevivem, se multiplicam e repassam essa vantagem. Assim surgem linhagens capazes de suportar vários princípios ativos.

"Bactérias resistentes evoluem mais rápido do que a pesquisa consegue disponibilizar novos medicamentos - a diferença se abre de forma alarmante."

Estimativas indicam que, hoje, cerca de 1,1 milhão de pessoas morrem por ano no mundo devido a infecções em que os antibióticos disponíveis já não funcionam. Se a trajetória não mudar, até 2050 esse número pode chegar a oito milhões de mortes anuais - mais do que todas as mortes por câncer somadas atualmente.

Patógenos notórios - e muitos que quase ninguém conhece

Em ambientes especializados, alguns agentes já viraram sinônimo do dilema dos antibióticos. Um exemplo é Neisseria gonorrhoeae, causadora da gonorreia. Em muitos casos, essa infecção sexualmente transmissível mal responde aos antibióticos usuais de primeira linha.

Outro caso é Staphylococcus aureus. Essas bactérias vivem na pele de milhões de pessoas, geralmente sem causar danos. Certas cepas, porém, mudaram a ponto de se tornarem resistentes a famílias inteiras de medicamentos. A variante mais conhecida é a MRSA (Staphylococcus aureus resistente à meticilina). Para hospitais, esses microrganismos são um problema constante, porque podem infectar feridas, pulmões ou a corrente sanguínea.

E isso está longe de encerrar a lista. Dezenas de outras espécies seguem o mesmo caminho. As resistências se disseminam mais rápido do que laboratórios conseguem colocar novos compostos à disposição. Nos últimos anos, apenas um punhado de antibióticos chegou ao mercado - e a maior parte são variações de classes conhecidas, contra as quais muitos microrganismos já construíram mecanismos de defesa.

Por que a pesquisa tradicional chega ao limite

Criar um antibiótico realmente novo costuma levar mais de dez anos. Os custos podem atingir bilhões. Soma-se a isso um paradoxo econômico: quanto melhor o antibiótico, mais ele deveria ser reservado, para atrasar o surgimento de resistências. Só que esse uso restrito reduz o potencial de faturamento - um cenário pouco atraente para investidores.

• custo de desenvolvimento alto com baixa expectativa de lucro
  
• exigências rígidas de aprovação e estudos complexos
  
• vida útil incerta do princípio ativo por causa do risco de resistência
  
• indústria priorizando terapias contínuas mais rentáveis, como câncer ou doenças crônicas
  

Por esses motivos, muitas farmacêuticas se afastaram da pesquisa em antibióticos. O resultado é que, enquanto a resistência se espalha globalmente, os medicamentos disponíveis envelhecem. A “armadura” médica vira algo esburacado, cada vez menos capaz de resistir.

AI no MIT como turbo na busca por antibióticos

É exatamente nesse ponto que entra um projeto muito comentado no MIT. O biomédico James Collins e sua equipe buscaram inverter o jogo: se as bactérias mudam tão depressa que os laboratórios não acompanham, seria preciso um sistema capaz de “pensar” no mesmo ritmo - um modelo de AI.

Para começar, as pesquisadoras e os pesquisadores alimentaram o algoritmo com um século de farmacologia, incluindo:

• estruturas de antibióticos já conhecidos
  
• mecanismos de ação em detalhe
  
• composição e vulnerabilidades de diferentes espécies bacterianas
  
• dados de toxicidade para células humanas
  

Com isso, o modelo aprendeu quais traços de uma estrutura química sugerem possível atividade antibacteriana. A proposta não era testar às cegas, e sim criar uma espécie de “intuição química” baseada em máquina.

45 milhões de estruturas em um rastreamento virtual de alto rendimento

Com esse aprendizado, iniciou-se a busca de verdade. O sistema avaliou cerca de 45 milhões de compostos químicos - não em bancada, mas em computador. Em vez de sintetizar e testar cada substância, o modelo calculou a probabilidade de uma estrutura atacar bactérias específicas com eficácia.

O algoritmo também mexeu nos candidatos promissores: variou moléculas, combinou blocos, ajustou ângulos e ligações. Desse processo saiu uma biblioteca de aproximadamente 36 milhões de compostos inéditos, ainda não produzidos. Para uma equipe humana, isso significaria décadas de trabalho.

"O que antes custava anos agora roda em horas ou dias: a AI filtra milhões de candidatos moleculares antes mesmo de o primeiro tubo de ensaio ser preenchido."

Dois acertos - e, ainda assim, um marco

Do grande conjunto virtual, a equipe selecionou alguns candidatos, sintetizou-os em laboratório e testou-os contra cepas reais, inclusive variantes resistentes. No fim, restaram duas moléculas que demonstraram efeito contra microrganismos problemáticos - e com alvos que diferem de forma clara das classes de antibióticos conhecidas.

À primeira vista, parece pouco: dois resultados em 36 milhões de estruturas novas. Só que, na prática, o achado é considerado impressionante. Muitos programas clássicos de descoberta de fármacos passam anos e terminam sem qualquer substância aproveitável ainda na fase pré-clínica. A comparação aponta sobretudo uma coisa: o gargalo até aqui estava menos na biologia e mais nas ferramentas de busca.

Outras ferramentas de AI contra resistência antimicrobiana

Em paralelo ao trabalho do MIT, surgem sistemas que atacam o problema por outros ângulos. Um exemplo de destaque é o AlphaFold, software capaz de prever com grande precisão a dobra tridimensional de proteínas. Na pesquisa de antibióticos, isso vale ouro, porque muitos fármacos se ligam a estruturas proteicas bem específicas nas bactérias.

Quando se conhece a forma exata desses alvos, fica mais fácil desenhar moléculas que se encaixem como chave e fechadura. Em vez de explorar o “espaço químico” sem direção, a AI procura onde a chance de acerto é muito maior.

Outros modelos, muitas vezes reunidos sob o rótulo AMR-AI (AMR significa “Antimicrobial Resistance”, isto é, resistência antimicrobiana), tentam antecipar a própria evolução dos patógenos. Eles analisam grandes bases de dados de clínicas e laboratórios ao redor do mundo e identificam padrões de como e onde as resistências surgem.

• alertas precoces sobre a expansão de cepas resistentes
  
• melhor planejamento de terapias antibióticas em hospitais
  
• definição de áreas-alvo para higiene e monitoramento
  

O que a AI faz - e o que ela não faz

Mesmo com avanços notáveis, a AI continua sendo uma ferramenta, não uma solução mágica. Todo candidato promissor precisa passar por avaliação toxicológica, testes em animais e, depois, estudos clínicos. Profissionais humanos definem quais riscos são aceitáveis e de que forma um novo medicamento deve ser usado.

Ao mesmo tempo, a tecnologia muda o ritmo do campo. Em lugar de anos de tentativa e erro, ganham espaço estratégias mais focadas. A AI concentra décadas de conhecimento biológico e farmacológico em padrões que pessoas têm dificuldade de perceber.

"A verdadeira oportunidade está em combinar intuição humana e poder de cálculo das máquinas - médicos e algoritmos trabalhando pelo mesmo objetivo."

O que pacientes podem fazer agora

Enquanto os laboratórios buscam os antibióticos de amanhã, a eficácia também depende do dia a dia. Cada uso sem sentido de um antibiótico aumenta a pressão seletiva sobre as bactérias - e torna tratamentos futuros mais arriscados.

• usar antibióticos apenas quando médicas ou médicos prescreverem explicitamente
  
• não interromper o tratamento antes do fim, mesmo que os sintomas diminuam
  
• não tomar sobras antigas “por conta própria”
  
• em resfriado ou gripe, perguntar de forma direta se antibiótico é realmente necessário
  

Para profissionais de saúde, também faz sentido acompanhar ferramentas apoiadas por AI. Já existem programas que ajudam a escolher o princípio ativo mais adequado ou alertam quando um hospital registra aumento de microrganismos resistentes. Esses apoios podem reduzir prescrições inadequadas e preservar medicamentos valiosos.

Termos que vale conhecer

“Resistência a antibióticos” não significa que o corpo “não tolera” o medicamento; significa que as próprias bactérias ficaram insensíveis a ele. Nesse caso, o tratamento simplesmente deixa de funcionar. “Superbactérias” não são uma espécie separada, e sim cepas altamente resistentes, capazes de enfrentar vários fármacos.

Modelos de AI como o AlphaFold e sistemas específicos de AMR trabalham com volumes gigantescos de dados. Eles detectam padrões que as pessoas até conseguem compreender em teoria, mas não conseguem abarcar na prática nessa escala. Daí surgem previsões sobre quais mutações têm mais chance de aparecer e quais estruturas químicas ainda podem ser capazes de vencê-las.

É nessa interseção que o futuro da medicina de infecções se desenha: máquinas sugerem candidatos, pessoas fazem a verificação, e juntas tentam reduzir a vantagem das bactérias. A ameaça não desaparece por causa disso, mas a medicina ganha tempo - e, na luta contra microrganismos resistentes, cada mês conquistado conta.