Acordo entre AstraZeneca e insitro destina US$ 1,5 bilhão à descoberta de alvos com IA

A AstraZeneca firmou um acordo de até aproximadamente US$ 1,5 bilhão com a insitro, colocando a IA no início de seu pipeline de medicamentos para doenças hepáticas e cardíacas. O acordo entre AstraZeneca e insitro mira um problema persistente: escolher alvos biológicos que realmente causem doenças, em vez de apenas aparecerem associados a elas.

As empresas vão se concentrar na esteato-hepatite associada à disfunção metabólica, conhecida como MASH, e em cardiomiopatias que afetam o músculo cardíaco. Essas classificações abrangem populações de pacientes biologicamente diversas, o que torna ambas as doenças difíceis de modelar e tratar. A colaboração busca avaliar se o aprendizado de máquina consegue separar esses mecanismos ocultos de doença antes que a AstraZeneca comprometa anos de trabalho laboratorial e clínico.

Essa distinção importa mais do que o valor anunciado. A maior parte da contraprestação divulgada depende de futuros marcos de descoberta, desenvolvimento e comercialização. O compromisso imediato é bem menor, enquanto a validação clínica continua sendo responsabilidade da AstraZeneca. O acordo dá à insitro um grande parceiro farmacêutico sem fingir que um algoritmo possa substituir experimentos, ensaios ou revisão regulatória.

O acordo também cria uma comparação importante com o trabalho anterior da insitro para Gilead Sciences, Bristol Myers Squibb e Eli Lilly. A AstraZeneca não está comprando um medicamento pronto, nem mesmo um alvo validado. Está pagando por um sistema melhor para selecionar quais hipóteses biológicas merecem se tornar programas de desenvolvimento de medicamentos.

O que o acordo entre AstraZeneca e insitro realmente abrange

Este acordo financia a descoberta de alvos e a seleção de candidatos pré-clínicos, não um atalho gerado por IA para o desenvolvimento clínico.

Nos termos do acordo divulgados pelas empresas, a AstraZeneca pagará US$ 40 milhões antecipadamente à insitro. A insitro pode receber até aproximadamente US$ 1,46 bilhão por meio de potenciais marcos de descoberta, desenvolvimento e comercialização.

A empresa também pode receber royalties de um dígito sobre futuras vendas globais. Esses pagamentos dependem de os programas avançarem o suficiente para acionar as condições relevantes. Não devem ser interpretados como valores já transferidos ou receita garantida.

A AstraZeneca recebe direitos exclusivos mundiais para avançar programas selecionados identificados pela colaboração. A insitro levará alvos indicados pela AstraZeneca da descoberta até a fase de candidato ao desenvolvimento. A AstraZeneca então controlará o desenvolvimento clínico, o trabalho regulatório e a comercialização.

Essa divisão de trabalho define o verdadeiro escopo do projeto. O papel da insitro é identificar a biologia causal das doenças e ajudar a transformar alvos selecionados em medicamentos potenciais. A AstraZeneca continua responsável por comprovar segurança e eficácia em humanos.

A colaboração abrange MASH e cardiomiopatias. MASH é uma condição hepática progressiva que envolve acúmulo de gordura, inflamação e lesão celular. Cardiomiopatias são doenças que alteram a estrutura ou a função do músculo cardíaco.

Ambas as categorias apresentam variação biológica substancial. Dois pacientes podem compartilhar um diagnóstico, mas ter fatores genéticos, trajetórias da doença ou respostas ao tratamento diferentes. Uma terapia voltada ao paciente médio pode, portanto, não atingir o mecanismo que conduz a doença em um subgrupo específico.

A insitro afirma que sua plataforma Virtual Human combina dados humanos em larga escala, medições celulares, genética e aprendizado de máquina. Ela busca padrões que conectem variações genéticas a características mensuráveis da doença e ao comportamento celular.

A expressão “biologia causal da doença” é central para a proposta. Uma correlação pode revelar que uma proteína, gene ou biomarcador aparece em pessoas com uma doença. Evidências causais sugerem que alterar o alvo deve modificar o próprio processo da doença.

Essa diferença determina se um alvo se torna um programa produtivo de desenvolvimento de medicamentos ou um dispendioso beco sem saída. A executiva da AstraZeneca Sharon Barr descreveu a seleção de alvos como uma das decisões mais difíceis em pesquisa e desenvolvimento.

Em uma entrevista sobre seleção de alvos, Barr afirmou que vias publicadas deixam de ser novas quando todos os grupos de pesquisa podem lê-las. A AstraZeneca quer identificar conexões biológicas menos óbvias mais cedo e depois testá-las em sistemas celulares.

O acordo é, portanto, uma aposta em vantagem informacional. A IA não elimina a necessidade de desenvolvimento farmacêutico. Ela deve melhorar a qualidade e o momento das hipóteses que entram nesse processo.

Por que MASH e cardiomiopatias se encaixam na estratégia de IA

A AstraZeneca selecionou doenças nas quais grandes conjuntos de dados contêm sinais úteis, mas rótulos diagnósticos amplos podem ocultar causas biológicas distintas.

A MASH tem frustrado repetidamente os desenvolvedores de medicamentos porque gordura, inflamação, fibrose, metabolismo e genética interagem de maneira diferente entre os pacientes. A progressão da doença também varia amplamente. Algumas pessoas permanecem estáveis, enquanto outras desenvolvem cirrose ou câncer de fígado.

Essa variação cria um problema de seleção de alvos antes mesmo de criar um problema de desenho de moléculas. Um medicamento pode interagir com seu alvo pretendido e ainda assim falhar se esse alvo não conduzir a doença em pacientes suficientes incluídos no estudo.

As cardiomiopatias apresentam um desafio relacionado. A categoria inclui várias condições hereditárias e adquiridas que enfraquecem, dilatam, espessam ou enrijecem o músculo cardíaco. Diferentes alterações genéticas podem produzir sintomas clínicos semelhantes.

A descoberta tradicional costuma começar com um mecanismo já sustentado por pesquisas publicadas. Cientistas então desenvolvem ensaios, testam compostos e reúnem evidências em torno desse mecanismo. A abordagem continua essencial, mas pode favorecer alvos conhecidos com dados abundantes.

O aprendizado de máquina pode ampliar a busca. Ele pode examinar conjuntamente imagens, variantes genéticas, medições moleculares, registros clínicos e perturbações experimentais. O objetivo é identificar conexões que seriam difíceis de uma pessoa reconhecer entre milhões de observações.

A fundadora da insitro, Daphne Koller, argumentou que a biologia moderna produz medições mais detalhadas do que os pesquisadores conseguem examinar manualmente. Em uma entrevista sobre descoberta de medicamentos por IA, ela descreveu o desafio como compreender doenças complexas o bastante para escolher a intervenção certa para um subgrupo de pacientes.

Esse argumento é especialmente relevante para a MASH. Um modelo poderia distinguir pacientes cuja fibrose segue diferentes vias moleculares, mesmo quando seus diagnósticos parecem semelhantes. Pesquisadores poderiam então buscar alvos ligados a uma dessas vias e desenhar ensaios em torno da população correspondente.

A mesma lógica se aplica às doenças cardíacas. Padrões de imagem, informações genéticas, biomarcadores circulantes e experimentos celulares podem criar um retrato multidimensional da doença. Dados multidimensionais contêm muitas características medidas que precisam ser analisadas em conjunto.

No entanto, mais dados não produzem automaticamente conclusões causais melhores. Conjuntos de dados médicos refletem quem recebeu exames, como as medições foram coletadas e quais desfechos foram registrados. Essas escolhas podem introduzir vieses.

Modelos celulares também simplificam o ambiente dentro de um corpo humano. Um alvo que altera uma célula cultivada pode se comportar de forma diferente entre órgãos, respostas imunes e longos períodos de tratamento. O aprendizado de máquina pode classificar hipóteses, mas os experimentos precisam determinar se essas classificações resistem à realidade biológica.

A abordagem Virtual Human da insitro busca reduzir essa lacuna ao conectar genética humana a sistemas celulares. Variantes genéticas atuam como experimentos naturais porque podem associar diferenças biológicas ao longo da vida a desfechos de doenças.

Os pesquisadores podem então perturbar vias relacionadas em células e medir os resultados. Quando a genética humana e os efeitos laboratoriais apontam na mesma direção, um alvo ganha um argumento causal mais sólido.

A AstraZeneca contribui com a próxima camada. Seus cientistas podem avaliar se um alvo é druggable, isto é, se um medicamento consegue influenciá-lo de forma segura e consistente. Eles também podem avaliar se um mecanismo proposto é compatível com o conhecimento clínico e sobre a doença já existente.

Esse fluxo de trabalho combinado explica por que as empresas escolheram duas doenças heterogêneas. Elas não são simplesmente grandes mercados para novos medicamentos. São testes para saber se a integração de dados pode revelar subgrupos de pacientes acionáveis, ocultos dentro de diagnósticos amplos.

A verdadeira disputa é entre alvos melhores e mais alvos

O acordo entre AstraZeneca e insitro só será relevante se melhorar a qualidade dos alvos, e não apenas a velocidade ou o volume das previsões computacionais.

Sistemas de IA podem gerar longas listas de genes, proteínas, vias e moléculas. Essa abundância pode criar uma aparência de progresso. A descoberta de medicamentos, porém, não recompensa a maior lista. Ela recompensa um pequeno número de hipóteses que permanecem críveis após testes repetidos.

A principal alegação da insitro é que sua plataforma consegue priorizar alvos ancorados na biologia humana. A plataforma combina dados populacionais com experimentos realizados em células. Em seguida, usa aprendizado de máquina para conectar características de doenças a potenciais fatores causais.

O método difere de usar um modelo de linguagem para resumir literatura científica. Também difere de testar apenas uma biblioteca química contra uma proteína conhecida. A vantagem proposta vem da integração de várias formas de evidência biológica antes da seleção de um alvo.

O papel da AstraZeneca impede que a colaboração se transforme em um exercício exclusivamente de software. Cientistas farmacêuticos precisam decidir se uma previsão tem mecanismo plausível, perfil de segurança adequado e caminho prático de desenvolvimento.

Esse trabalho inclui confirmar que o alvo aparece nos tecidos relevantes. Os pesquisadores precisam mostrar que modificá-lo produz o efeito esperado e não desencadeia problemas inaceitáveis em outras partes do organismo. Também precisam encontrar um medicamento capaz de alcançá-lo e controlá-lo.

O processo se torna iterativo. Descobertas computacionais orientam experimentos, enquanto resultados experimentais atualizam os modelos. Previsões ruins ainda fornecem informações quando as equipes registram por que falharam e incorporam essas lições ao sistema.

Esse mecanismo pressiona duas abordagens estabelecidas. A primeira depende fortemente de alvos já bem representados na literatura científica. A segunda usa plataformas computacionais que enfatizam a geração de moléculas depois que um alvo já foi selecionado.

A AstraZeneca e a insitro estão concentrando esforços na decisão anterior. Sua aposta é que selecionar um mecanismo de doença mais sólido cria mais valor do que projetar compostos mais rapidamente contra um mecanismo fraco.

A indústria farmacêutica tem boas razões para focar nesse ponto. Uma molécula quimicamente elegante não pode salvar um alvo que não afeta de maneira significativa a doença humana. Uma hipótese biológica incorreta pode consumir anos até que um ensaio revele o erro.

A insitro já adotou esse modelo anteriormente. Sua colaboração de 2019 para doenças hepáticas com a Gilead também se concentrou na doença hepática gordurosa. Esse projeto usou aprendizado de máquina, genética humana e genômica funcional para criar modelos de doença e identificar alvos.

O novo acordo, portanto, se baseia em uma linha de pesquisa de longa data, em vez de abrir uma totalmente nova. Ele também oferece à AstraZeneca outra via para a descoberta de alvos assistida por IA, ao lado de suas ferramentas internas e parcerias externas.

A AstraZeneca já trabalhou com a BenevolentAI em alvos para doença renal crônica e fibrose pulmonar idiopática. A empresa também ampliou o uso de IA na análise de dados clínicos, na pesquisa de biomarcadores e em outros programas de descoberta.

Para a insitro, o acordo acrescenta outra grande empresa farmacêutica a uma lista de parceiros que inclui Gilead, Bristol Myers Squibb e Eli Lilly. Cada relação oferece diferentes especializações em doenças, capacidades de desenvolvimento e feedback experimental.

A questão competitiva não é qual empresa usa IA. Quase todo grande grupo farmacêutico agora afirma ter alguma capacidade de IA. A comparação relevante diz respeito a quais organizações conseguem conectar modelos a dados proprietários, experimentos reproduzíveis e decisões de desenvolvimento.

Essa integração exige infraestrutura e disciplina institucional. Cientistas de dados precisam entender como as amostras foram coletadas. Biólogos precisam saber o que um modelo pode inferir. Desenvolvedores de medicamentos precisam distinguir um padrão interessante de um programa pronto para receber investimentos.

As equipes também precisam de registros rastreáveis de hipóteses que falharam. Sem eles, os modelos podem herdar o viés de publicação, pois a literatura científica favorece resultados positivos. Repetir apenas experimentos bem-sucedidos cria uma visão incompleta do que a biologia realmente permite.

O acordo entre AstraZeneca e insitro pode gerar uma vantagem se a parceria melhorar esse ciclo de feedback. Seu valor viria de descartar ideias fracas mais cedo e avançar menos alvos, porém mais bem fundamentados.

Um anúncio de US$ 1,5 bilhão não valida a plataforma

O teto de pagamentos por marcos sinaliza ambição, mas as evidências biológicas e clínicas decidirão se a plataforma melhora os resultados do desenvolvimento de medicamentos.

Apenas o pagamento inicial é certo no momento da assinatura. A maior parte do valor potencial depende de eventos futuros, incluindo descoberta, desenvolvimento e comercialização bem-sucedidos. Essa estrutura transfere uma grande parcela do risco científico para os próprios programas.

Ela também torna o número anunciado uma medida fraca de confiança imediata. Grandes pacotes de pagamentos por marcos são comuns em parcerias de biotecnologia porque medicamentos bem-sucedidos podem gerar valor significativo. Muitos programas nunca chegam às etapas que liberam pagamentos posteriores.

As empresas não divulgaram quantos alvos a AstraZeneca indicou. Também não identificaram mecanismos específicos, moléculas candidatas, cronogramas de desenvolvimento ou gatilhos de marcos. Tampouco publicaram dados comparativos de desempenho para essa colaboração.

Essas lacunas são normais em um acordo de descoberta inicial. Ainda assim, elas limitam o que observadores externos podem concluir. O anúncio confirma a parceria e sua estrutura financeira, não o sucesso clínico da plataforma.

Uma revisão sobre descoberta de alvos revisada por pares identifica várias limitações persistentes dos sistemas de IA. Entre elas estão dados enviesados, interpretabilidade limitada, baixa capacidade de generalização e a necessidade de validar experimentalmente os alvos previstos.

Generalização descreve se um modelo permanece confiável fora dos dados usados para desenvolvê-lo. Um sistema treinado com uma população, tipo celular ou processo de medição pode ter desempenho fraco quando as condições mudam.

A interpretabilidade apresenta um problema diferente. Um modelo pode classificar um alvo em posição elevada sem fornecer uma explicação biológica clara. Pesquisadores podem ter dificuldade para desenhar experimentos de confirmação quando não conseguem determinar por que o modelo produziu seu resultado.

A inferência causal eleva ainda mais o padrão. Uma associação genética pode sustentar um alvo, mas genes próximos ou variantes ligadas podem complicar a interpretação. Uma resposta celular pode mostrar que uma via muda sob condições de laboratório sem provar que a mesma mudança beneficia pacientes.

A MASH acrescenta complicações clínicas. A gravidade da doença frequentemente exige exames de imagem, biomarcadores ou avaliação de tecido, e essas medições nem sempre concordam. A seleção de pacientes pode, portanto, influenciar se um medicamento experimental parece eficaz.

Ensaios de cardiomiopatia enfrentam seus próprios desafios. A progressão da doença pode ser lenta, as populações de pacientes podem ser pequenas e os subtipos genéticos podem diferir. Pesquisadores precisam de desfechos que capturem melhorias significativas em um período de ensaio prático.

A IA não consegue eliminar essas restrições. Ela pode ajudar a identificar pacientes, biomarcadores e mecanismos, mas os reguladores ainda precisam de evidências confiáveis de estudos controlados. Os médicos ainda precisam de benefícios que superem os riscos.

Uma recente análise de tradução clínica argumenta que os dados biológicos diferem dos conjuntos de dados estáveis por trás de muitas aplicações de IA para consumidores bem-sucedidas. As medições dependem do desenho experimental, da dose, do momento, do tecido e do contexto do paciente.

Essa observação explica a principal troca envolvida. Os modelos ganham força ao combinar mais dados, mas combinar medições incompatíveis também pode ocultar diferenças importantes. A escala só ajuda quando os dados subjacentes permanecem biologicamente significativos.

A insitro afirma ter construído uma grande coleção multimodal de dados humanos e celulares. Multimodal significa que a coleção contém diversos tipos de medição, como genética, imagens e perfis moleculares.

O tamanho desse conjunto de dados continua menos importante do que sua relevância para as duas doenças. As questões decisivas dizem respeito à diversidade de pacientes, à consistência das medições, ao estágio da doença e à validação independente.

Outra incerteza envolve a novidade. Um alvo anteriormente desconhecido pode criar vantagens competitivas e de propriedade intelectual. Alvos novos também têm menos evidências, o que aumenta o risco de os pesquisadores entenderem mal sua função.

Um alvo conhecido tem o perfil oposto. Concorrentes talvez já o estejam perseguindo, mas os cientistas entendem mais sobre sua via, segurança e relevância clínica. Plataformas de IA precisam equilibrar novidade e confiança.

A AstraZeneca parece querer ambos. Os comentários de Barr enfatizam encontrar conexões biológicas antes que se tornem amplamente conhecidas. Ainda assim, as equipes de desenvolvimento da empresa precisam exigir evidências suficientes para justificar experimentos e ensaios caros.

Essa pressão cria uma disciplina útil para a insitro. Um parceiro farmacêutico não precisa apenas de um benchmark de modelo impressionante. Precisa de alvos que sobrevivam à revisão interna, gerem medicamentos viáveis e, por fim, melhorem os resultados dos pacientes.

O acordo deve, portanto, ser avaliado por etapas. A indicação de alvos é o primeiro sinal. A seleção de candidatos ao desenvolvimento é mais forte. A entrada em testes em humanos fornece outro nível de evidência.

A eficácia clínica continua sendo o padrão mais difícil. Até que os programas cheguem a esse ponto, as alegações sobre um desenvolvimento de medicamentos mais rápido ou mais bem-sucedido devem permanecer provisórias.

Três sinais mostrarão se a aposta está funcionando

As próximas evidências relevantes virão da progressão dos programas, da validação biológica reproduzível e de grupos de pacientes claramente definidos.

O primeiro sinal é se a AstraZeneca seleciona alvos para desenvolvimento formal. Um alvo indicado mostra que um modelo produziu uma hipótese interessante. Um candidato ao desenvolvimento mostra que a hipótese sobreviveu a trabalho biológico, químico e de segurança adicional.

Divulgações de marcos podem ajudar os leitores a distinguir essas etapas. Pagamentos por descoberta indicariam progresso inicial, enquanto marcos de desenvolvimento sugeririam que programas selecionados superaram limiares internos mais elevados.

O segundo sinal é a validação experimental independente. Evidências úteis poderiam incluir resultados celulares replicados, estudos em animais, análises genéticas ou pesquisas revisadas por pares que conectem um alvo à progressão da doença.

A publicação, por si só, não garantirá sucesso. No entanto, métodos claros e replicação externa facilitariam avaliar se a plataforma identifica biologia causal, em vez de coincidência estatística.

O terceiro sinal é a estratificação de pacientes. As empresas descrevem a MASH e as cardiomiopatias como doenças heterogêneas; portanto, seus programas devem eventualmente definir quais pacientes carregam o mecanismo relevante.

Biomarcadores poderiam oferecer essa ponte. Um biomarcador é uma característica biológica mensurável usada para identificar atividade da doença, resposta ao tratamento ou elegibilidade de pacientes. Biomarcadores robustos ajudariam a AstraZeneca a testar cada medicamento no grupo com maior probabilidade de se beneficiar.

Esses sinais chegarão lentamente. A colaboração começa antes da seleção de candidatos, enquanto o desenvolvimento farmacêutico normalmente se desenrola ao longo de vários anos. Anúncios iniciais podem tratar de alvos ou programas pré-clínicos, em vez de resultados de ensaios em humanos.

A atividade dos concorrentes fornecerá contexto adicional. O trabalho anterior da Gilead com a insitro oferece uma referência histórica em doenças hepáticas. As outras parcerias de IA da AstraZeneca podem mostrar se diferentes sistemas de descoberta produzem alvos que entram em seu pipeline.

Os leitores devem evitar tratar cada marco como equivalente. Uma previsão computacional, um alvo validado, um candidato ao desenvolvimento e um medicamento clinicamente bem-sucedido representam níveis de evidência muito diferentes.

O acordo entre AstraZeneca e insitro é importante porque aplica IA a um gargalo de grande impacto. Selecionar o alvo errado pode comprometer tudo o que vem depois. Selecionar um melhor pode melhorar as chances de cada decisão posterior.

O acordo também mostra como as empresas farmacêuticas estão estruturando a adoção de IA. A AstraZeneca mantém o controle sobre ensaios, regulação e comercialização. A insitro fornece modelos especializados, dados biológicos e capacidades de descoberta.

Esse modelo distribui expertise sem eliminar a responsabilidade. Se os programas falharem, a falha pode surgir da seleção de alvos, do desenho da molécula, da segurança, do desenho do ensaio ou da biologia humana. Nenhum algoritmo isolado controla toda a cadeia.

Para pesquisadores e líderes empresariais, isso torna a gestão de evidências tão importante quanto o desempenho do modelo. As equipes precisam conectar cada previsão a seus conjuntos de dados, premissas, experimentos e decisões.

Uma base de conhecimento de IA pode ajudar organizações a preservar esse histórico entre artigos, reuniões e atualizações experimentais. O objetivo prático não é coletar mais informações. É reter as evidências por trás de cada mudança de julgamento.

A questão imediata é clara: a parceria indicará alvos que a AstraZeneca levará adiante para desenvolvimento? Depois disso, os leitores devem observar a biologia replicada e estratégias específicas de seleção de pacientes.

Esses resultados revelarão se a colaboração encontrou um mecanismo melhor de descoberta ou produziu outro grande conjunto de hipóteses plausíveis. O teto de US$ 1,5 bilhão chama atenção, mas o primeiro candidato a medicamento confiável terá muito mais importância.