Criar um remédio custa US$ 2,7 bi e pode demorar décadas

Criar um remédio custa US$ 2,7 bi e pode demorar décadas — mas a IA pode encurtar esse tempo A tecnologia já encurta a busca por moléculas. A maior economia depende de melhorar os resultados na fase em que sete em cada dez candidatos ficam pelo caminho Laboratório da Eurofarma, em imagem de arquivo: a IA ajuda a selecionar moléculas antes dos testes em pacientes.

Publicado em 12 de novembro de 2026 às 11h51.

Priorizar nos meus resultados Google Em 18 meses, pesquisadores da Insilico Medicine passaram da busca por uma proteína envolvida na fibrose pulmonar à escolha de uma molécula para levar adiante.

A inteligência artificial (IA) ajudou nas duas pontas do trabalho e apontou uma proteína chamada TNIK como alvo. Durante o estudo, foi a tecnologia que orientou o desenho de um composto capaz de bloqueá-la. Daí nasceu o rentosertib, como foi batizado, e chegou aos testes em humanos — mas continua em fase experimental.

Da descoberta à aprovação, um novo medicamento pode levar de 10 a 15 anos, segundo o relatório O Sétimo Selo, elaborado pela Kinea Investimentos, gestora do grupo Itaú Unibanco. A Deloitte, que acompanha 20 grandes empresas biofarmacêuticas, estimou que o custo médio da descoberta ao lançamento chegou a US$ 2,67 bilhões em 2025, ante US$ 2,23 bilhões em 2024.

A distância entre os 18 meses da Insilico e a década da indústria é onde está a aposta. A IA já ajuda a escolher o que merece chegar à bancada.

A economia maior viria se as farmacêuticas também conseguissem evitar os erros que só aparecem anos depois, quando uma molécula bem-sucedida no laboratório é testada em pessoas e o benefício esperado simplesmente não aparece.

A conta de um medicamento aprovado carrega parte do custo dos que ficaram pelo caminho. Uma farmacêutica pode investir na produção de um composto, testar diferentes doses e recrutar pacientes antes de descobrir que o tratamento tem efeitos adversos difíceis de tolerar ou que seu benefício é pequeno demais.

Quanto mais tarde o projeto é interrompido, maior tende a ser o gasto acumulado.

O modo de fazer essa conta muda bastante o resultado. Um estudo liderado por Olivier Wouters e publicado no JAMA estimou um custo mediano de cerca de US$ 985 milhões por medicamento em uma amostra de 63 produtos aprovados nos Estados Unidos de 2009 a 2018.

A média ficou em US$ 1,34 bilhão, em dólares de 2018. O estudo incluiu o custo dos projetos malsucedidos e o custo de manter capital comprometido durante anos. Os números vêm de amostras, períodos e métodos diferentes dos usados pela Deloitte.

A Kinea recupera um problema anterior à IA. Em 2012, Jack Scannell e colegas mostraram que, entre 1950 e 2010, o número de medicamentos aprovados nos Estados Unidos por bilhão de dólares investido em pesquisa e desenvolvimento caiu cerca de 80 vezes, após o ajuste pela inflação.

A tendência ganhou o apelido de lei de Eroom, uma inversão de Moore. Um dos motivos discutidos pelos autores é que novos medicamentos precisam disputar espaço com tratamentos que já funcionam. Muitos deles se tornaram genéricos e custam menos.

Uma das primeiras decisões de um programa é escolher o que tentar modificar no organismo. Se a hipótese envolve uma proteína, conhecer sua forma ajuda a identificar onde uma molécula poderia se ligar a ela.

Em 2022, a base do AlphaFold, desenvolvido pelo Google DeepMind, passou a reunir mais de 200 milhões de estruturas previstas por computador. O trabalho rendeu a Demis Hassabis e John Jumper parte do Nobel de Química de 2024.

Com essas previsões, pesquisadores podem comparar moléculas no computador, propor alterações e concentrar os experimentos físicos nas opções mais promissoras. No caso do rentosertib, os autores relataram que os 18 meses foram da busca pelo alvo à seleção do candidato pré-clínico. Do mesmo ponto de partida à conclusão dos testes iniciais em humanos, o intervalo foi inferior a 30 meses.

O volume de propostas que um modelo consegue gerar ajuda a entender por que essa parte da pesquisa já mudou. Em um projeto da Anthropic com a Citrini Research, citado pela Kinea, uma versão experimental do Claude gerou mais de 318 mil desenhos de proteínas em 64 horas para um estudo sobre veneno de escorpião.

Dos 211 desenhos avaliados em laboratório, 17 atingiram o critério de ligação a uma toxina. O experimento mediu essa ligação. A capacidade de neutralizar o veneno em células ou de tratar uma pessoa picada ainda teria de ser demonstrada.

A fase 1 costuma avaliar segurança e tolerabilidade, além de investigar como o organismo absorve e elimina o composto. Na fase 2, entram pessoas com a doença e uma pergunta diferente.

Há sinal de que o medicamento produz o benefício esperado? A resposta ajuda a definir se vale investir em um estudo maior, com mais participantes e, muitas vezes, acompanhamento mais longo.

Essa foi a passagem com a menor taxa de avanço na série de 2011 a 2020 da Biotechnology Innovation Organization (BIO), da Informa Pharma Intelligence e da QLS Advisors. Só 28,9% dos programas avaliados na fase 2 avançaram à fase 3.

A probabilidade estimada de um programa obter aprovação nos Estados Unidos a partir da fase 1 foi de 7,9%, com variações entre áreas terapêuticas.

Os primeiros dados de empresas que usam IA na descoberta mostram como as duas etapas podem ter resultados diferentes. Em 2024, Madura Jayatunga e outros pesquisadores da Boston Consulting Group encontraram uma taxa de sucesso de 80% a 90% na fase 1 entre as moléculas analisadas. Na fase 2, o número ficou perto de 40%, em uma amostra pequena, um patamar que os autores consideraram comparável às médias históricas. Os estudos analisaram grupos diferentes de candidatos, o que limita a comparação direta com a série da BIO.

Para a Kinea, a diferença ajuda a localizar o problema. Um modelo pode desenhar um composto com propriedades que favoreçam sua absorção e tolerabilidade. A fase 2 testa também a decisão tomada lá no começo: se interferir naquela proteína ou naquele processo biológico faz diferença para quem tem a doença. Uma molécula bem desenhada pode cumprir sua função química e ainda assim produzir pouco benefício para o paciente.

No caso do rentosertib, o teste é contra a fibrose pulmonar idiopática, doença progressiva que deixa cicatrizes nos pulmões e reduz a capacidade respiratória. Em um estudo de fase 2a com 71 participantes, publicado na Nature Medicine, o grupo que recebeu a dose mais alta teve um aumento médio de 98,4 mililitros na capacidade vital forçada em 12 semanas.

No grupo placebo, a média caiu 20,3 mililitros. A medida indica quanto ar uma pessoa consegue expirar com força depois de inspirar profundamente.

O ensaio tinha como objetivo principal avaliar segurança e tolerabilidade. A diferença observada na função pulmonar deu aos pesquisadores uma razão para continuar, com uma amostra maior e mais tempo de acompanhamento.

Em julho de 2026, a Insilico anunciou o início de um estudo de fase 3 planejado para incluir 320 pacientes e durar 52 semanas. É nessa escala que a empresa pretende verificar se o benefício se sustenta e como o perfil de segurança evolui ao longo de um ano.

Para a Kinea, parte da resposta está nos dados que as farmacêuticas acumulam quando um tratamento falha.

Um banco público de estruturas de proteínas ajudou a viabilizar o AlphaFold. Já os resultados sobre como compostos se comportam em células e em pacientes estão dispersos, e parte deles permanece com as empresas que financiaram os experimentos. Isso limita o que os modelos conseguem aprender sobre as razões pelas quais um tratamento funcionou em um grupo e falhou em outro.

Há pistas sobre quais dados poderiam ajudar. Em um estudo publicado na Nature em 2024, Eric Vallabh Minikel e colegas estimaram que mecanismos de medicamentos amparados por evidências genéticas humanas tiveram uma probabilidade de sucesso 2,6 vezes maior do que os demais.

A relação variou por área terapêutica e etapa do desenvolvimento. O resultado ajuda a explicar por que as farmacêuticas querem cruzar dados genéticos com resultados de laboratório e ensaios clínicos antes de escolher quais projetos financiar.

A gestora montou três cenários a partir de uma taxa histórica de aprovação próxima de 8%. No primeiro, mais candidatos passam pela fase 1, mas o desempenho na segunda fase piora, e a taxa final continua perto de 8%.

No cenário-base, com ganhos iniciais e pouco avanço na fase 2, a aprovação sobe para 11% a 13%, e o custo por medicamento aprovado cai de 25% a 40%.

No mais favorável, a gestora supõe que 40% dos candidatos passem pela fase 2. A taxa final chega a cerca de 18%, e o custo por aprovação cai mais da metade. Os valores são resultados de uma simulação, dependentes das taxas assumidas para cada etapa.

O dinheiro já começou a circular. A Eli Lilly e a Nvidia anunciaram até US$ 1 bilhão em cinco anos para um laboratório conjunto de pesquisa farmacêutica. Em maio de 2026, a Isomorphic Labs, que tem parcerias com Lilly e Novartis, levantou US$ 2,1 bilhões em uma rodada liderada pela Thrive Capital.

A Novo Nordisk, fabricante do Ozempic, também fechou um acordo com a Anthropic para aplicar IA à descoberta de novos medicamentos.

Há pressão para repor o portfólio. A Kinea estima que medicamentos que somam cerca de US$ 230 bilhões em vendas percam proteção patentária até 2030.

O valor se refere às vendas dos produtos expostos, e a perda efetiva de receita depende de quando concorrentes entram no mercado e de quanto conseguem tomar das marcas originais.

Na leitura da gestora, os fornecedores podem capturar parte desse investimento antes das farmacêuticas. Se mais moléculas chegarem aos testes, empresas que prestam serviços de pesquisa clínica, como a IQVIA, e fabricantes de equipamentos e reagentes, como Thermo Fisher e Danaher, podem receber mais pedidos.

A aposta depende de as farmacêuticas ampliarem os experimentos e contratarem parte desse trabalho. A própria automação pode levar algumas delas a fazer mais etapas internamente.

Para as farmacêuticas, o indicador decisivo virá depois. Se mais candidatos atravessarem a fase 2 e mantiverem o benefício em estudos maiores, cada aprovação poderá carregar o custo de menos fracassos. É aí que uma descoberta feita em 18 meses começa a mudar a conta de uma indústria que ainda mede o caminho até o paciente em décadas.

A Deloitte estimou uma média de US$ 2,67 bilhões da descoberta ao lançamento em 2025, em um levantamento que acompanha 20 grandes empresas biofarmacêuticas. Outros estudos chegam a valores diferentes porque usam amostras, períodos e métodos distintos.

Na pesquisa inicial, a IA ajuda a escolher alvos biológicos, prever a forma de proteínas e priorizar moléculas. Isso permite que os pesquisadores concentrem os experimentos físicos em um conjunto menor de candidatos.

A fase 2 procura sinais de benefício, ajuda a definir doses e continua a avaliação de segurança. A fase 3 geralmente envolve mais pacientes para confirmar a eficácia e reunir mais dados sobre efeitos adversos.

O rentosertib continua experimental. A Insilico anunciou em julho de 2026 um ensaio de fase 3 para avaliar sua eficácia e segurança em pacientes com fibrose pulmonar idiopática ao longo de 52 semanas.

Após 33 anos, Huang sai do comando e a CFO Colette Kress assume interinamente, repetindo um roteiro já visto na Apple, HP e na Intel. Nesses casos, o risco maior estava na escolha do sucessor

Jensen Huang foi afastado do cargo de CEO da Nvidia nesta quinta, 12. Veja como ele transformou a fabricante de placas gráficas na potência da IA

Dona do Claude deve definir o preço por ação em 18 de novembro, com faixa de US$ 70 a US$ 78. Oferta pode avaliar a empresa em até US$ 1,02 trilhão

Fonte: Portal Empire Cidades