IA na descoberta de fármacos: como acelerar do laboratório à clínica

Em menos de um ano, a inteligência artificial passou de curiosidade acadêmica a motor de lançamentos clínicos. As buscas por “AI drug discovery” dispararam 250 % no Google Trends e a comunidade do Hacker News registrou mais de 12 mil discussões nos últimos dois dias. O que antes levava anos e bilhões de dólares agora pode ser testado em semanas, graças a modelos generativos, bases de dados abertas e pipelines totalmente na nuvem.

Neste artigo você vai descobrir:

A seguir está um fluxo de trabalho enxuto que pode ser executado em um notebook do Google Colab (ou na sua própria VM). Cada bloco contém o comando real que você deve copiar e colar.

pip install --quiet torch==2.2.0 torchvision==0.17.0 \
    transformers==4.40.0 \
    rdkit-pypi==2023.9.5 \
    openai==1.12.0 \
    pandas seaborn matplotlib
python
from transformers import AutoTokenizer, AutoModelForCausalLM

model_name = "deepmind/chemistry-diffusion"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype='auto')
python
import torch, random
from rdkit import Chem
from rdkit.Chem import Descriptors, QED

def generate_smiles(n=1000, max_len=120):
    smiles = []
    for _ in range(n):
        input_ids = tokenizer.encode("Generate a drug‑like SMILES:", return_tensors="pt")
        output = model.generate(input_ids,
                                max_length=max_len,
                                do_sample=True,
                                temperature=0.9,
                                top_k=50)
        txt = tokenizer.decode(output[0], skip_special_tokens=True)
        cand = txt.split()[-1]
        smiles.append(cand)
    return smiles

cand_smiles = generate_smiles(1000)

filtered = [s for s in cand_smiles 
            if Chem.MolFromSmiles(s) 
            and QED.qed(Chem.MolFromSmiles(s)) > 0.6]

print(f"Gerados: {len(cand_smiles)} | Filtrados: {len(filtered)}")
git clone https://github.com/gcorso/DiffDock.git
cd DiffDock
pip install -e .
python
from diffdock.inference import predict_binding

protein_path = "data/6OIM.pdb"

hits = []
for smi in filtered[:200]:               # limita a 200 para economizar tempo
    mol = Chem.MolFromSmiles(smi)
    pred = predict_binding(protein_path, mol)
    if pred.score > 0.7:                 # cutoff arbitrário
        hits.append((smi, pred.score))

print(f"Moléculas promissoras: {len(hits)}")
python
import pandas as pd

df = pd.DataFrame(hits, columns=["SMILES", "DockScore"])
df.to_csv("candidates_kras.csv", index=False)
print("Arquivo pronto para enviar ao laboratório de síntese.")

Dica:o arquivo CSV pode ser importado diretamente por plataformas de síntese on‑demand comoMolPortouChemSpace, que retornam orçamentos em minutos.

Esses três exemplos compartilham um ponto em comum: a molécula foi projetada inteiramente por IA, sem intervenções de química medicinal humana até a fase de síntese.

n1-standard-8

• Tesla T4

). run_pipeline.sh

que executa os blocos 1.3‑1.5 e envia o CSV para um serviço de síntese. A convergência de três fatores — interesse massivo nas buscas, modelos generativos open‑source de alto desempenho e diretrizes regulatórias claras — está tornando 2024 o ano de ruptura da IA na descoberta de fármacos.

Se você ainda está usando planilhas e in‑silico tradicional, cada dia perdido significa

Herramienta mencionada: Groq Cloud