Não correspondem a simples variáveis biológicas, mas são parâmetros matemáticos internos ao modelo, aprendidos durante o treinamento. É possível dizer o que representam funcionalmente: a expressão de milhares de genes, as suas interações complexas, ou as de proteínas, a identificação de estados celulares recorrentes… A IA cria assim uma ponte matemática que permite traduzir o estado das células humanas ou cancerosas para a linguagem natural – e, inversamente, manipular dados biológicos complexos a partir de frases simples.
Por enquanto, o artigo é apenas uma pré-publicação. Mas é seguro apostar que será objeto de uma publicação de prestígio nos próximos meses – se passar pela fase caudina da revisão por pares. O fato é que os autores descrevem um teste vertiginoso de seu modelo. O objetivo era identificar entre 4.000 moléculas aquelas que poderiam perturbar os mecanismos pelos quais certas células tumorais se camuflam para escapar do sistema imunológico. Dos candidatos a medicamentos selecionados pela IA, um grande número foi mencionado na literatura científica, mas outros foram inesperados. Como esta molécula anticâncer selecionada, o silmitasertib, para a qual a IA especificou em qual contexto imunológico ela se mostraria mais eficaz.
“Não estamos substituindo os testes biológicos, mas estamos mudando de escala. Podemos explorar um espaço imenso de hipóteses para um determinado paciente e concentrar os experimentos no que tem maior probabilidade de funcionar, comenta o Dr. Julien Vibert, oncologista e pesquisador especialista em IA do departamento de inovação terapêutica do Instituto Gustave-Roussy (Villejuif). Pela primeira vez, podemos fazer perguntas sobre dados de célula única extremamente complexos em linguagem natural e obter respostas biologicamente relevantes. “A análise de células únicas é o que permite aos biólogos, há cerca de dez anos, analisar a atividade dos genes célula por célula, em vez de trabalhar em médias retiradas de milhares ou milhões de células.
Leia tambémCom IA, antecipe o percurso de atendimento do paciente
Interrogue o perfil genético de 50 milhões de células
Uma abordagem que transformou a visão do câncer: um tumor não é um bloco homogêneo. É composto por uma infinidade de células diferentes: algumas proliferam rapidamente, outras resistem ao tratamento, outras ainda conseguem escapar ao sistema imunitário… A sequenciação de ARN unicelular permite medir, para cada célula, quais os genes que estão ativados ou desativados num determinado momento. Resultado: conjuntos de dados gigantescos, às vezes compostos por milhões de células descritas por vários milhares de variáveis. É aqui que as IAs generativas, como grandes modelos de linguagem, são uma virada de jogo.
Graças aos perfis genéticos de mais de 50 milhões de células que conhece, a escala C2S permite aos investigadores consultar um conjunto de dados biológicos como fariam com uma ferramenta de conversação: que vias moleculares estão envolvidas num determinado fenómeno? Que distúrbios poderiam modificar o comportamento de uma célula tumoral? “O conceito absolutamente revolucionário do seu artigo é este: fazer uma pergunta em linguagem humana e obter uma resposta em linguagem biológica “, insiste Julien Vibert.
E o exemplo notável da escala C2S faz parte de um movimento mais amplo: o surgimento da IA generativa na própria concepção de tratamentos anticâncer. Em julho de 2025, um estudo publicado em Comunicações da Natureza descreveram um modelo, denominado difusão de genótipo para medicamento, com um princípio radical: partir do perfil genético de um tumor específico para gerar novas estruturas químicas que possam atingir especificamente suas vulnerabilidades biológicas. Não se trata de classificar bibliotecas de moléculas existentes, mas de conceber novas, respeitando as restrições de viabilidade química e farmacológica.
Os autores mostram que as moléculas geradas são diversas e adaptadas às anomalias genéticas dos cancros estudados, particularmente para alvos há muito considerados difíceis. Tal como acontece com a escala C2S, no entanto, este é apenas um trabalho pré-clínico, que terá de ser submetido a uma validação clínica adequada antes de poder ser considerado um progresso clínico comprovado. No entanto, do laboratório ao paciente, 90% das vias terapêuticas desaparecem e são necessários vários anos para que outras se concretizem.
“O Santo Graal da medicina personalizada”
No Instituto Gustave-Roussy (Villejuif), o principal centro oncológico da Europa, o progresso na IA tem convergido desde o ano passado para um objectivo quase inédito: o desenvolvimento de gémeos digitais de pacientes e do seu cancro. “É o Santo Graal da medicina personalizada “, resume Julien Vibert, à frente do projeto que realmente começou há cerca de um ano. Ele avisa imediatamente: “O termo ‘gêmeo digital’ é hoje muito usado, muitos modelos são apresentados como tal, mesmo que não permitam atualização contínua ou simulação real. “
Na verdade, um verdadeiro gémeo digital deve cumprir várias condições: integrar dados heterogéneos (clínicos, biológicos, genómicos, por vezes imagiológicos), evoluir ao longo do tempo e permitir que cenários terapêuticos sejam testados virtualmente. Mas na medicina, particularmente na oncologia, reunir estes blocos de construção é mais complicado. Ao contrário dos gêmeos digitais industriais (aviação, infraestrutura, automóveis, etc.) continuamente alimentados por sensores, os da medicina dependem de dados difíceis de obter: biópsias, análises biológicas, imagens, etc.
E para os cânceres disseminados, por exemplo, a dificuldade é ainda maior. A biópsia capta apenas parte da realidade tumoral, enquanto a doença é, por definição, heterogênea e progressiva. “As biópsias líquidas são um caminho fundamental para reduzir procedimentos invasivos, garante Julien Vibert. Eles permitem acompanhar a progressão da doença a partir de uma simples amostra de sangue, mas sua resolução ainda é limitada. “
Na IA, o cerne da questão continua a ser a qualidade, diversidade e quantidade dos dados. Embora já existam modelos capazes de prever uma resposta a partir de dados de entrada, nenhum beneficiou da validação clínica. “A principal dificuldade é a heterogeneidade intratumoral, continua o pesquisador. Um tumor é composto por diferentes clones, que não evoluem da mesma forma. Os modelos célula única são promissores, mas o acesso a estes dados continua caro. “Mesmo que poder “conversar” com eles diretamente embaralhasse as cartas.
Leia tambémENTREVISTA. “Acredito no conceito de médico aumentado”
O principal obstáculo é a validação clínica
É uma start-up francesa que pode estar prestes a lançar o primeiro gêmeo digital verdadeiramente bem-sucedido. A Bioptimus foi cofundada em 2024 pelo professor Jean-Philippe Vert, um eminente bioinformático que trabalhou no Instituto Curie, no DeepMind do Google e na Owkin, que desenvolve ferramentas de IA para vários hospitais e centros de câncer na França.
O ponto forte da Bioptimus seria ter acesso a bases de dados muito ricas, tanto de parceiros académicos como da indústria farmacêutica. “Mas na IA médica, o principal obstáculo continua sendo a validação clínica, lembra Julien Vibert. Devemos permanecer humildes e cautelosos, porque existe um longo vale de morte entre a investigação e a prova de benefícios reais para os pacientes. Mas o leque de possibilidades aumentou consideravelmente. “
IA essencial para imagens médicas
Muito antes do surgimento da IA generativa, a inteligência artificial estabeleceu-se em certas áreas-chave da oncologia, com utilizações agora clinicamente validadas. O mais avançado diz respeito à imagem médica: algoritmos de aprendizagem profunda são agora usados para ajudar os radiologistas a detectar lesões suspeitas em tomografias computadorizadas, ressonâncias magnéticas ou mamografias. Em particular, permitem melhorar a deteção precoce dos cancros da mama, do pulmão ou da próstata, através da comunicação de anomalias por vezes invisíveis ao olho humano ou facilmente ignoradas.
A IA também é cada vez mais usada para analisar imagens de tecidos obtidas durante biópsias ou cirurgias. Essas imagens, normalmente observadas ao microscópio por médicos especialistas, podem hoje ser examinadas por algoritmos capazes de identificar células cancerígenas, avaliar o grau de agressividade de um tumor ou identificar pistas úteis para o prognóstico. Estas aplicações partilham diversas características: baseiam-se em tarefas bem definidas, em dados padronizados e em desempenho mensurável. Baseados na visão computacional, surgiram há quase dez anos e foram objeto de ensaios clínicos, avaliações regulatórias e, para alguns, já estão integrados aos fluxos de atendimento hospitalar.