AI e antibióticos: como AlphaFold e modelos AMR aceleram o combate à resistência

Desde que se percebeu o efeito da penicilina, os antibióticos passaram a ser vistos como uma verdadeira arma milagrosa. No entanto, décadas de utilização prolongada - muitas vezes pouco criteriosa - tiveram um custo: cada vez mais microrganismos quase não se deixam afetar pelos medicamentos de primeira linha. Para responder a este desafio, equipas de investigação estão a recorrer a sistemas de AI capazes de fazer, em poucas horas, tarefas que antes ocupavam laboratórios durante anos.

Quando os antibióticos falham: uma pandemia silenciosa

Os antibióticos mudaram a medicina de forma radical. Sem eles, cirurgias de rotina, tratamentos oncológicos e até infeções aparentemente banais voltariam a ser potencialmente fatais. Esse alicerce, porém, está a enfraquecer: as bactérias adaptam-se, sofrem mutações e tornam-se resistentes a substâncias que, durante muito tempo, foram consideradas seguras.

Os dados são inquietantes: todos os anos, cerca de 1,1 milhões de pessoas morrem em todo o mundo devido a infeções em que os antibióticos mais comuns já não resultam. Especialistas admitem que, até 2050, o número possa chegar a oito milhões de mortes por ano - ultrapassando o total atribuído a todos os tipos de cancro em conjunto.

A Organização Mundial da Saúde considera a resistência aos antibióticos uma das maiores ameaças à saúde do século XXI.

Há agentes patogénicos que já hoje parecem quase impossíveis de controlar. Dois exemplos são bem conhecidos por praticamente qualquer médica ou médico de infeções:

• Neisseria gonorrhoeae: bactéria responsável pela gonorreia (tripper), atualmente em grande parte resistente aos antibióticos de primeira escolha.
• Staphylococcus aureus: normalmente um habitante inofensivo da pele, mas variantes resistentes (como o MRSA) podem desencadear infeções graves e, por vezes, fatais.

E estes são apenas a parte visível do problema. Atrás deles cresce uma lista de bactérias que, passo a passo, vai neutralizando o nosso arsenal terapêutico, enquanto a criação de novos fármacos não consegue acompanhar.

Porque quase não chegam novos antibióticos ao mercado

Entre 2017 e 2022, apenas doze novos antibióticos obtiveram autorização a nível mundial. Quase todos assentam em famílias de substâncias já conhecidas - o que significa que muitas bactérias já dispõem de mecanismos de defesa mesmo antes de os medicamentos chegarem ao uso hospitalar.

Criar um antibiótico verdadeiramente inovador tende a exigir mais de uma década de trabalho e investimentos de milhares de milhões. Ao mesmo tempo, profissionais de saúde procuram prescrever os fármacos mais recentes com grande prudência, para atrasar o aparecimento de resistências. Para as farmacêuticas, isto traduz-se num modelo de negócio pouco atrativo: custos elevados, horizonte de retorno incerto e regras apertadas.

A indústria retirou-se em grande medida da investigação em antibióticos - precisamente no momento em que a necessidade médica dispara.

O resultado é um impasse perigoso. Enquanto as bactérias evoluem praticamente de hora a hora, a investigação avança lentamente, estudo após estudo. É aqui que ganha força, nos últimos anos, uma estratégia alternativa: a utilização de AI.

AI no laboratório: de AlphaFold a modelos AMR

Na biomedicina atual, há várias ferramentas de AI a acelerar o combate aos agentes resistentes:

• AlphaFold prevê a estrutura tridimensional de proteínas - componentes essenciais que desempenham funções vitais nas bactérias. Assim, torna-se mais fácil identificar, com maior precisão, potenciais alvos para novos fármacos.
• Modelos de AI de AMR (Antimicrobial Resistance) analisam dados clínicos e laboratoriais para antecipar como a resistência se pode disseminar e que combinações de medicamentos ainda poderão manter eficácia.

Ao absorverem enormes volumes de conhecimento biológico e químico, estes sistemas extraem padrões que, muitas vezes, escapariam ao olhar humano. Por exemplo, conseguem inferir que características uma estrutura molecular precisa de ter para danificar bactérias de forma fiável - e, ao mesmo tempo, ser tão bem tolerada quanto possível pelo organismo humano.

A abordagem de Boston: 45 milhões de moléculas em modo acelerado

No Massachusetts Institute of Technology, uma equipa liderada pelo investigador em biotecnologia James Collins levou esta lógica mais longe. O raciocínio é simples: se as bactérias evoluem muito mais depressa do que a nossa capacidade tradicional de investigação, então a medicina precisa de uma ferramenta capaz de acompanhar esse ritmo.

Para isso, os investigadores alimentaram um modelo de AI com o conhecimento que a farmacologia acumulou ao longo de cerca de cem anos sobre antibióticos, incluindo:

• estruturas de substâncias já conhecidas;
• mecanismos de ação e alvos nas bactérias;
• efeitos secundários típicos e perfis de toxicidade.

Desta forma, o sistema aprendeu a reconhecer padrões na disposição espacial dos átomos que sugerem potencial antibacteriano. Depois, os cientistas lançaram a AI numa espécie de exploração virtual do “espaço químico”.

45 milhões de estruturas químicas não foram avaliadas no tubo de ensaio, mas no computador - em pouco tempo, em vez de décadas.

Para cada variação, a AI calculou a probabilidade de conseguir atacar bactérias. Com múltiplas rondas e pequenos ajustes em candidatos promissores, foram sendo construídas bibliotecas moleculares de dimensão gigantesca.

Dois acertos em 36 milhões - e porque isso é um sucesso

No final, o processo gerou 36 milhões de novos compostos. Uma parte foi selecionada, sintetizada em laboratório e testada contra bactérias reais. Dois candidatos destacaram-se: mostraram atividade contra estirpes resistentes e atuaram por mecanismos totalmente diferentes dos antibióticos conhecidos.

À primeira vista, dois acertos em 36 milhões de tentativas pode soar desanimador. Na prática do desenvolvimento de medicamentos, porém, é um resultado notável: muitos projetos convencionais prolongam-se por anos e terminam sem que uma única substância chegue sequer à fase de ensaios clínicos.

Critério	Investigação tradicional	Abordagem com apoio de AI
Número de moléculas testadas	Dezenas de milhares	Dezenas de milhões
Tempo até aos primeiros candidatos	Muitos anos	Horas a poucos dias para o rastreio
Tipo de seleção	Ensaios laboratoriais, intuição, experiência	modelos estatísticos, reconhecimento de padrões

Estes dois candidatos ainda estão muito longe de uma autorização de utilização. Precisam de passar por testes de toxicidade, resistir a ensaios clínicos e competir com outras abordagens. Ainda assim, demonstram que o maior obstáculo pode não ter sido apenas biológico - mas também a forma como a investigação tem sido organizada.

O que a AI pode fazer - e o que não pode

A AI não vai fazer desaparecer, por magia, o problema da resistência aos antibióticos. Mesmo perante novos fármacos, as bactérias acabarão por reagir e adaptar-se. E mantém-se o risco de um uso irrefletido de novos medicamentos acelerar novamente o aparecimento de resistências.

Ainda assim, a AI altera a posição de partida. Três aspetos são determinantes:

• Velocidade: ideias de fármacos podem ser geradas em dias, e não em anos.
• Amplitude: os sistemas conseguem explorar zonas do espaço químico que dificilmente seriam consideradas de forma dirigida por investigadores.
• Precisão: os modelos filtram desde cedo moléculas com maior probabilidade de sucesso, reduzindo custos laboratoriais em fases posteriores.

Em paralelo, a AI também pode apoiar hospitais e clínicas na gestão do uso dos antibióticos existentes. Modelos analíticos conseguem, a partir de dados de doentes, identificar que terapias falham com maior frequência para determinados agentes e em que situações faz sentido alterar o esquema terapêutico.

O que as doentes e os doentes devem saber agora

A perspetiva de uma nova geração de antibióticos apoiados por AI não deve fazer esquecer onde está, hoje, a proteção mais eficaz: a utilização responsável dos medicamentos disponíveis. Cada prescrição desnecessária aumenta a pressão evolutiva sobre as bactérias e favorece o aparecimento de resistências.

• Tomar antibióticos apenas quando forem explicitamente prescritos por médicas e médicos.
• Cumprir rigorosamente a duração do tratamento, sem interromper mais cedo por iniciativa própria.
• Não utilizar sobras antigas de receitas anteriores “por conta própria”.

Ao mesmo tempo, as equipas de investigação continuam a clarificar os mecanismos por detrás das resistências. Termos como “multirresistente” ou “antibiótico de reserva” aparecem cada vez mais em relatórios clínicos. “Multirresistente” significa que um microrganismo se tornou insensível a várias classes de fármacos comuns. Já os antibióticos de reserva são medicamentos destinados apenas a situações de último recurso, para preservar a sua eficácia pelo maior tempo possível.

Aqui, a AI pode ter um papel de apoio, por exemplo ao interpretar mais rapidamente dados laboratoriais e ao indicar precocemente se um microrganismo já pertence ao grupo particularmente problemático. Assim, a decisão de usar - ou não - um fármaco de reserva pode ser tomada com base mais sólida.

A combinação de uma gestão rigorosa da higiene nos hospitais, regras estritas de prescrição e novas ferramentas de AI dá à medicina uma segunda oportunidade no combate aos agentes resistentes. Se será suficiente, não depende apenas de algoritmos avançados nos bastidores, mas também do grau de responsabilidade com que a sociedade e o sistema de saúde lidarem com esta nova geração de substâncias terapêuticas.