Inteligência artificial e vacinas: uma nova maneira de fazer ciência

Por Dimas Covas*

Dimas Covas, cientista-chefe de Pesquisa, Desenvolvimento e Inovação da Sinovac.
Crédito da foto: Leo Ramos Chaves

Durante grande parte da história da medicina, o desenvolvimento de vacinas esteve condicionado por uma dificuldade fundamental: nosso conhecimento sobre os agentes infecciosos e sua interação com o organismo humano era limitado. Identificar os componentes de um vírus ou de uma bactéria capazes de induzir uma resposta imunológica protetora exigia anos de investigação, experimentos sucessivos e, frequentemente, uma boa dose de intuição científica.

Essa realidade começou a mudar com o desenvolvimento da biologia molecular, o sequenciamento genético e, mais recentemente, com a extraordinária expansão das tecnologias capazes de produzir informações biológicas. Hoje conhecemos genomas completos de milhares de microrganismos, podemos estudar a estrutura de suas proteínas e investigar, com uma profundidade antes inimaginável, diferentes aspectos da resposta imunológica.

Curiosamente, essa abundância de informações criou um problema novo. Já não se trata apenas de obter dados, mas de compreender o que fazer com eles. A quantidade de informações disponíveis cresceu muito mais rapidamente do que nossa capacidade de analisá-las e transformá-las em conhecimento útil.

É nesse cenário que a inteligência artificial começa a ocupar um espaço importante na pesquisa biomédica, particularmente no desenvolvimento de vacinas.

Não acredito que estejamos diante de uma tecnologia capaz de substituir o trabalho científico ou de eliminar as incertezas próprias da investigação biológica. Sua contribuição é de outra natureza. A inteligência artificial amplia nossa capacidade de examinar um número extraordinário de possibilidades, identificar relações pouco evidentes e selecionar aquelas que merecem ser investigadas com maior profundidade.

Pode parecer uma mudança apenas instrumental, mas suas consequências são potencialmente profundas.

O desenvolvimento de uma vacina envolve uma sequência de escolhas. Precisamos decidir quais proteínas de um microrganismo devem ser estudadas, identificar as regiões capazes de estimular uma resposta imunológica, compreender como determinadas estruturas interagem com o sistema imunológico e selecionar os candidatos que apresentam maior interesse para investigação experimental.

Essas decisões sempre dependeram do conhecimento acumulado e da experiência dos pesquisadores. Continuarão dependendo. A diferença é que agora podemos utilizar sistemas computacionais para examinar milhares de sequências, comparar estruturas moleculares e reconhecer padrões que dificilmente seriam identificados pelos métodos convencionais.

É importante compreender que não estamos simplesmente substituindo um procedimento demorado por outro mais rápido. Estamos modificando a maneira de escolher o que deve ser investigado.

Na pesquisa experimental, uma parcela considerável do tempo e dos recursos é consumida na exploração de hipóteses que acabam não se confirmando. Isso faz parte do processo científico e, muitas vezes, é justamente o resultado negativo que nos permite avançar. Mas, se conseguirmos identificar previamente quais caminhos apresentam maior probabilidade de produzir resultados relevantes, poderemos utilizar de maneira muito mais racional a capacidade de nossos laboratórios.

Gosto de pensar nessa contribuição como uma redução do espaço de busca da ciência. Diante de milhares de possibilidades, a inteligência artificial pode nos ajudar a selecionar algumas dezenas que justifiquem o esforço experimental. Não sabemos, antecipadamente, se essas escolhas estarão corretas, mas podemos melhorar os critérios utilizados para fazê-las.

Na vacinologia, essa possibilidade já se manifesta em diferentes áreas. Ferramentas computacionais são utilizadas para analisar sequências genéticas, prever estruturas de proteínas, identificar potenciais regiões antigênicas e apoiar o desenho racional de candidatos vacinais. A integração dessas informações com dados imunológicos pode orientar experimentos mais específicos e permitir a avaliação de alternativas que seriam difíceis de explorar por métodos tradicionais.

Entretanto, existe uma questão que considero essencial e que nem sempre recebe a devida atenção nas discussões sobre inteligência artificial aplicada à saúde.

Uma previsão computacional não é uma demonstração biológica.

Podemos desenvolver modelos sofisticados para prever a estrutura de uma proteína ou estimar determinadas interações moleculares. Podemos até identificar características que sugiram maior estabilidade ou potencial imunogênico de um candidato. Mas nada disso assegura que ele será capaz de induzir uma resposta protetora em um organismo vivo.

O sistema imunológico é extraordinariamente complexo. Sua resposta depende de interações entre células, moléculas, tecidos e mecanismos regulatórios que ainda estamos longe de compreender integralmente. Uma vacina não precisa apenas apresentar características moleculares adequadas. Ela deve induzir uma resposta imunológica eficaz, produzir proteção e demonstrar segurança nas condições reais em que será utilizada.

Por isso, o experimento continua sendo insubstituível.

A hipótese formulada com auxílio de um algoritmo precisa encontrar confirmação no laboratório. Os resultados obtidos em modelos experimentais precisam ser investigados em estudos pré-clínicos e, quando justificável, em estudos clínicos conduzidos com o rigor necessário.

Essa distinção entre prever e demonstrar é uma das bases do método científico. E continuará sendo, independentemente da sofisticação das ferramentas computacionais que venhamos a desenvolver.

Há, contudo, uma dimensão dessa transformação que merece atenção especial: o tempo.

A pandemia de COVID-19 mostrou de maneira contundente o quanto a velocidade da resposta científica pode influenciar o curso de uma emergência sanitária. O sequenciamento rápido do agente infeccioso, a disponibilidade de plataformas tecnológicas e a capacidade de organizar grandes programas de pesquisa e desenvolvimento permitiram avanços que, em outras circunstâncias, teriam exigido períodos muito maiores.

A inteligência artificial pode acrescentar uma nova capacidade a esse processo. Diante do surgimento de um agente infeccioso, sistemas computacionais poderão contribuir para interpretar rapidamente suas características moleculares, comparar informações com o conhecimento já acumulado e orientar a seleção inicial de candidatos vacinais.

Isso não significa que teremos vacinas prontas em poucos dias, nem que poderemos abreviar indiscriminadamente os estudos necessários para demonstrar sua segurança e eficácia. Significa que algumas decisões tomadas nas etapas iniciais poderão ser mais bem fundamentadas e realizadas em menos tempo.

Em uma emergência sanitária, essa diferença pode ter grande importância.

Naturalmente, a utilização crescente dessas tecnologias também traz problemas que não devemos subestimar. A confiabilidade de um modelo depende, em grande medida, da qualidade dos dados utilizados em seu desenvolvimento. Informações incompletas, populações pouco representadas e resultados experimentais inconsistentes podem produzir previsões equivocadas, mesmo quando os sistemas computacionais parecem funcionar adequadamente.

Além disso, precisamos assegurar transparência, rastreabilidade, governança e mecanismos independentes de validação. Não basta que um algoritmo produza uma resposta convincente. É necessário compreender em que condições essa resposta pode ser considerada confiável e reconhecer os limites de sua aplicação.

A história da ciência está repleta de exemplos de teorias elegantes que não resistiram à confrontação com a realidade. A inteligência artificial não nos tornará imunes a esse problema.

O que me parece mais interessante nessa transformação não é a possibilidade de automatizar etapas isoladas do desenvolvimento de vacinas. É a perspectiva de reorganizar a própria atividade de pesquisa, aproximando de maneira mais intensa a biologia molecular, a imunologia, a bioinformática, a ciência de dados e a experimentação.

Podemos imaginar um ambiente no qual resultados obtidos em laboratório sejam continuamente incorporados aos modelos computacionais, permitindo aperfeiçoar novas previsões, selecionar outros candidatos e orientar os experimentos seguintes. Um processo em que conhecimento biológico e capacidade computacional se alimentem reciprocamente, sem perder a necessária independência da validação científica.

Essa integração ainda enfrenta limitações técnicas e metodológicas importantes. Mas aponta para uma transformação que poderá alcançar não apenas a vacinologia, como também outras áreas da pesquisa biomédica.

Para a SINOVAC, compreender esse movimento é parte de uma reflexão mais ampla sobre o futuro da pesquisa, do desenvolvimento e da inovação em saúde. O avanço das plataformas tecnológicas, da biologia molecular e das ferramentas computacionais está modificando as condições em que novos produtos podem ser concebidos e desenvolvidos. A inteligência artificial deverá ocupar um lugar crescente nesse processo, embora sua incorporação efetiva dependa de competência científica, infraestrutura experimental e capacidade de transformar previsões em resultados verificáveis.

Ao longo de minha trajetória científica, acompanhei mudanças tecnológicas que alteraram profundamente aquilo que éramos capazes de investigar. O que antes dependia de procedimentos longos e de uma quantidade limitada de informações passou, em muitos casos, a ser realizado com uma profundidade e uma velocidade que dificilmente poderíamos imaginar algumas décadas atrás.

A inteligência artificial representa mais uma dessas transformações. Talvez uma das mais importantes, pela amplitude de suas aplicações e por sua capacidade de integrar conhecimentos produzidos em áreas muito diferentes.

Mas a experiência também nos ensina a desconfiar das soluções que parecem simples demais para problemas complexos. A biologia continua surpreendendo nossas previsões, e o desenvolvimento de uma vacina permanece sendo uma tarefa científica exigente, que depende de conhecimento, experimentação, tempo e evidências consistentes.

Não tenho dúvidas de que a inteligência artificial contribuirá para modificar a maneira como desenvolvemos vacinas. O alcance dessa mudança, entretanto, dependerá menos da capacidade de produzir previsões cada vez mais sofisticadas e mais da nossa competência para transformá-las em conhecimento científico verdadeiro.

No final, a pergunta decisiva continuará sendo a mesma que sempre orientou a pesquisa biomédica: aquilo que imaginamos, calculamos ou prevemos encontra confirmação na realidade?

É essa resposta, e não a sofisticação do algoritmo, que determina o valor de uma descoberta científica.

*Dimas Covas é médico e pesquisador, professor titular da Faculdade de Medicina de Ribeirão Preto da USP, pesquisador em terapia celular e vacinas, ex-diretor do Instituto Butantan e cientistachefe de Pesquisa, Desenvolvimento e Inovação da Sinovac no Brasil.

Este artigo de Dimas Covas foi destaque no portal Futuro da Saúde. Acesse o conteúdo na íntegra: Inteligência artificial e vacinas: uma nova maneira de fazer ciência – por Dimas Covas – Futuro da Saúde