Superbactérias perigosas: como a IA pode salvar os nossos últimos antibióticos

Médicos em todo o mundo estão a soar o alarme: infeções que antes desapareciam sem dificuldade com penicilina e outros antibióticos estão hoje a levar mesmo hospitais de alta tecnologia ao limite. Ao mesmo tempo que as farmacêuticas se afastam da investigação em antibióticos, entra em cena um novo protagonista - a IA (inteligência artificial). A promessa é ambiciosa: algoritmos capazes de fazer em poucas horas aquilo que, para equipas de investigação, costuma exigir anos.

Do medicamento milagroso ao calcanhar de Aquiles: como os antibióticos estão a perder eficácia

Desde que se confirmou o efeito da penicilina no final da década de 1920, os antibióticos foram vistos como uma arma revolucionária. Pneumonias, infeções de feridas, septicemias - de um momento para o outro, passaram a ser tratáveis doenças que antes tiravam a vida a milhões.

Mas esse triunfo trouxe um efeito secundário perigoso. Os antibióticos começaram a ser usados de forma muito abrangente - e, muitas vezes, em excesso: em infeções ligeiras, na produção pecuária e, por vezes, sem indicação sólida. As bactérias adaptam-se. Cada toma cria pressão seletiva. As poucas que, por acaso, têm uma mutação protetora sobrevivem e multiplicam-se rapidamente.

"A resistência aos antibióticos não surge de repente, mas ao longo de milhares de milhões de gerações bacterianas - impulsionada pelo nosso próprio uso de medicamentos."

Nos hospitais, surgem cada vez mais os chamados superbactérias: microrganismos resistentes a várias classes de fármacos ao mesmo tempo. O que era banal volta a poder ser fatal - uma infeção urinária, uma septicemia após uma cirurgia, ou até uma infeção cutânea aparentemente simples.

Escala mortal: a pandemia silenciosa da resistência

Estimativas recentes apontam que, todos os anos, cerca de 1,1 milhões de pessoas morrem de infeções em que os antibióticos mais comuns já não resultam. Se a tendência não mudar, até 2050 o número poderá chegar a 8 milhões de mortes anuais - mais do que hoje se regista, no total, por todas as doenças oncológicas.

Há dois exemplos particularmente temidos e recorrentemente citados em contexto científico:

• Neisseria gonorrhoeae: agente causador da gonorreia, já resistente a quase todos os antibióticos de referência.
• Staphylococcus aureus: normalmente um habitante inofensivo da pele, mas cujas variantes resistentes (como o MRSA) podem provocar infeções graves em feridas e no sangue.

E estes são apenas os casos mais conhecidos. Por detrás deles existe um vasto conjunto de agentes patogénicos a seguir o mesmo percurso: pouco a pouco, os medicamentos estabelecidos deixam de funcionar. E os novos princípios ativos chegam a um ritmo demasiado lento.

Entre 2017 e 2022, foram lançados mundialmente apenas 12 novos antibióticos. A maioria é, na prática, uma adaptação de substâncias já conhecidas. E, contra muitos deles, as bactérias já desenvolveram mecanismos de defesa.

Porque é que a investigação tradicional fica num beco sem saída

Criar um antibiótico verdadeiramente novo tornou-se, hoje, um projeto de alto risco. Desde a ideia inicial até uma eventual utilização em doentes passam, com facilidade, 10 anos. E a fatura pode atingir milhares de milhões. É aqui que o problema económico se instala.

Um antibiótico potente deve ser usado o menos possível, para não acelerar o aparecimento de resistências. Para as farmacêuticas, isso significa custos elevados e, em troca, vendas limitadas e uma “vida útil” do produto imprevisível. Por isso, ao longo dos anos, várias empresas reduziram drasticamente - ou encerraram - departamentos dedicados a esta área.

"A medicina precisa de novos princípios ativos, a indústria evita o risco - e é nessa lacuna que a IA está agora a entrar."

Em paralelo, há um obstáculo técnico: a diversidade química de potenciais fármacos é colossal. Não existe laboratório capaz de testar, experimentalmente, mais do que uma fração mínima das moléculas possíveis. A busca assemelha-se a procurar uma agulha num palheiro sem fim.

IA como acelerador: avaliar milhões de moléculas em poucas horas

No Massachusetts Institute of Technology, o bioengenheiro James Collins procurou contornar o impasse com outra lógica. Se as bactérias evoluem a grande velocidade, porque não recorrer a um sistema que consiga acompanhar esse ritmo?

A equipa treinou um modelo de IA com um século de conhecimento farmacológico: antibióticos conhecidos, as suas estruturas químicas, mecanismos de ação, efeitos adversos típicos, alvos bacterianos e padrões de resistência. A meta era que a IA aprendesse, de forma abstrata, que características tornam uma substância antibacteriana.

Com essa base, o algoritmo percorreu bases de dados gigantes de estruturas químicas. Em vez de cultivar substâncias e testá-las uma a uma contra bactérias em laboratório, o modelo estimou - apenas pela estrutura - a probabilidade de cada composto ser eficaz, incluindo potenciais riscos de toxicidade para humanos.

A escala impressiona: a IA avaliou cerca de 45 milhões de estruturas químicas, gerou variantes a partir dessas análises e, no final, chegou a aproximadamente 36 milhões de novas ligações virtuais.

36 milhões de hipóteses - e 2 verdadeiros candidatos (IA contra superbactérias)

A partir desse enorme conjunto, algumas substâncias mais promissoras foram sintetizadas e testadas em culturas bacterianas reais. 2 dessas moléculas mostraram uma ação forte contra microrganismos resistentes - com mecanismos claramente distintos dos antibióticos atuais.

À primeira vista, 2 resultados em 36 milhões podem parecer pouco animadores. No entanto, é um feito extraordinário: muitos programas clássicos de descoberta de fármacos prolongam-se durante anos sem conseguir levar um único candidato até à fase de testes pré-clínicos.

"O facto de a IA entregar 2 candidatos reais em pouco tempo mostra que o bloqueio estava menos na biologia e mais nas ferramentas de procura que usávamos até agora."

Ainda assim, estas substâncias estão longe de uma autorização de uso. Toxicologia, posologia e efeitos secundários - tudo isso precisa de ser esclarecido em estudos. O sinal, porém, é claro: a IA abre portas para “espaços” moleculares que, na prática, raramente seriam alcançados por equipas humanas.

De que outras formas a IA ajuda no combate às superbactérias

Modelos de IA não servem apenas para propor moléculas inéditas. Também reforçam o combate à resistência em vários pontos críticos:

• Previsão de estruturas: sistemas como o AlphaFold calculam a forma tridimensional de proteínas, por exemplo enzimas que as bactérias usam para degradar antibióticos. Isso facilita a criação de fármacos mais direcionados.
• Antecipação da evolução da resistência: modelos como o AMR-AI cruzam dados genómicos com históricos de tratamento para estimar como e onde as resistências poderão alastrar a seguir.
• Otimização de terapêuticas: hospitais podem usar IA para extrair, de milhões de registos clínicos, quais as combinações de antibióticos que funcionam melhor, para cada agente e em diferentes condições.

O ganho central é de tempo: a IA consegue em horas o que, de outra forma, exigiria meses de trabalho laboratorial. Não substitui a experimentação, mas faz uma triagem inteligente - e encaminha os recursos limitados para as hipóteses com maior probabilidade de sucesso.

Limites, riscos e porque a IA não é um cheque em branco

Apesar dos avanços, a IA continua a ser uma ferramenta - não uma solução mágica. Os modelos dependem de dados existentes; se esses dados forem incompletos ou tendenciosos, as previsões herdam os mesmos problemas. Em particular, faltam muitas vezes dados de resistência provenientes de países com sistemas de saúde mais frágeis.

Além disso, qualquer antibiótico novo perde eficácia com o tempo se for usado sem controlo. A IA pode acelerar a descoberta de novos fármacos, mas não substitui a utilização responsável.

Por isso, especialistas descrevem um “tripé” essencial para travar a crise das resistências:

• Desenvolvimento de novos princípios ativos - cada vez mais apoiado por IA.
• Regras mais rigorosas de utilização na medicina e na agricultura.
• Vigilância global de agentes patogénicos e padrões de resistência, também suportada por modelos orientados por dados.

O que as pessoas doentes podem fazer, na prática

Há uma parte positiva: não são apenas laboratórios e centros de computação que influenciam este problema. Cada pessoa pode ajudar a prolongar a eficácia dos antibióticos.

• Tomar antibióticos apenas quando forem prescritos explicitamente por médicas ou médicos.
• Nunca usar sobras “por via das dúvidas” nem as dar a terceiros.
• Cumprir rigorosamente a dose e a duração indicadas, mesmo que os sintomas melhorem antes.
• Manter as vacinas em dia - cada infeção evitada reduz a necessidade de antibióticos.

Quando estas regras simples são seguidas em larga escala, a investigação ganha tempo - tempo para melhorar modelos de IA, testar novos princípios ativos e ajustar estratégias clínicas.

O que significam termos como resistoma e estrutura proteica

Vários projetos atuais giram em torno de conceitos que raramente são explicados no debate público. Dois exemplos:

Termo	Explicação curta
Resistoma	Conjunto de todos os genes de resistência presentes nas bactérias de um determinado ambiente - do hospital à estação de tratamento de águas residuais.
Estrutura proteica	Dobras tridimensionais de uma proteína, que determinam a sua função. Modelos de IA como o AlphaFold inferem essa forma a partir da sequência de aminoácidos.

Estas camadas mais abstratas são difíceis de dominar por equipas humanas porque envolvem volumes gigantescos de dados. Aqui, a IA encaixa bem como “detetor de padrões”, produzindo hipóteses que depois têm de ser confirmadas em laboratório.

A crise das resistências expôs, de forma dolorosa, os limites do nosso conjunto de ferramentas. A inteligência artificial não vai eliminar as superbactérias, mas altera o equilíbrio de forças. Se isso se traduzirá num verdadeiro ponto de viragem dependerá de quão bem medicina, política e sociedade gerem este novo poder - e de estarmos dispostos a voltar a tratar os antibióticos como aquilo que já são há muito: um recurso finito.