A iniciativa de dataset aberto de proteínas da NVIDIA mira a próxima pandemia antes que ela comece

A NVIDIA anunciou uma iniciativa de dataset aberto de proteínas em 24 de setembro de 2026, juntando-se ao Google e a organizações globais de pesquisa antes da chegada da próxima pandemia. A coalizão quer que pesquisadores estudem proteínas potencialmente perigosas antes que um patógeno desconhecido comece a se espalhar. Essa abordagem enfrenta uma realidade difícil: o desenvolvimento de vacinas contra a COVID-19 se beneficiou de anos de pesquisas anteriores sobre coronavírus, algo que o próximo surto talvez não tenha.

A iniciativa de dataset aberto de proteínas da NVIDIA desloca parte da preparação para pandemias da resposta emergencial para o mapeamento biológico antecipado. Em vez de esperar por um novo vírus, pesquisadores podem organizar sequências de proteínas, estruturas previstas e evidências relacionadas antes de um surto.

Essa promessa também cria a tensão central. Previsões computacionais abertas podem ampliar o acesso e encurtar a pesquisa inicial, mas não podem substituir experimentos, amostragem representativa ou coordenação internacional confiável. A coalizão está construindo uma vantagem inicial, não uma defesa pronta.

A COVID-19 oferece a referência histórica. Cientistas não encontraram coronavírus pela primeira vez em 2020. Trabalhos anteriores sobre SARS, MERS, proteínas spike e plataformas de vacinas ajudaram pesquisadores a avançar mais rapidamente quando o novo vírus surgiu.

O próximo patógeno pandêmico pode vir de uma família com muito menos conhecimento acumulado. A NVIDIA e seus parceiros apostam que dados abertos de proteínas podem reduzir essa desvantagem antes que a emergência comece.

O que muda com a iniciativa de dataset aberto de proteínas da NVIDIA

A mudança importante está no momento em que o trabalho científico começa: antes de um surto, em vez de depois que pesquisadores recebem o genoma de um patógeno.

Em seu anúncio da coalizão, a NVIDIA apresentou a ciência aberta como uma forma de se preparar para patógenos que não têm históricos de pesquisa comparáveis aos dos coronavírus. A iniciativa insere a empresa em um grupo mais amplo que inclui o Google e organizações internacionais de pesquisa.

O projeto se concentra em proteínas, moléculas biológicas que desempenham muitas funções dentro de organismos e vírus. A forma tridimensional de uma proteína influencia fortemente como ela se liga às células, escapa da imunidade ou responde a um medicamento.

Por isso, as estruturas de proteínas oferecem aos pesquisadores possíveis pontos de partida para vacinas, anticorpos, diagnósticos e compostos antivirais. No entanto, determinar essas estruturas experimentalmente pode exigir equipamentos especializados, preparação cuidadosa de amostras e muito tempo.

Sistemas de IA oferecem outra rota. Eles podem prever a estrutura provável de uma proteína a partir de sua sequência de aminoácidos, a cadeia ordenada de blocos moleculares de construção codificada pelos genes. Essas previsões podem ajudar cientistas a decidir quais proteínas e experimentos merecem atenção primeiro.

A abordagem de dados abertos da coalizão é significativa porque nenhum laboratório isolado consegue estudar todas as proteínas associadas a todos os patógenos plausíveis. Um dataset compartilhado distribui o material de partida entre universidades, agências de saúde pública, empresas de biotecnologia e grupos independentes de pesquisa.

Essa distribuição é mais importante nas primeiras semanas de um surto. Inicialmente, os pesquisadores enfrentam dados de vigilância incompletos, padrões de transmissão incertos e poucas amostras físicas. Um registro de proteína relevante pode ajudá-los a formular hipóteses testáveis mais cedo.

A iniciativa de dataset aberto de proteínas da NVIDIA também reflete uma mudança maior na biologia computacional. Empresas de infraestrutura de IA estão indo além do fornecimento de hardware e software para ajudar a organizar os datasets científicos dos quais os modelos dependem.

A NVIDIA tem um papel evidente nessa mudança. Modelos modernos de proteínas exigem computação extensiva durante o treinamento e a inferência, o processo de gerar uma previsão a partir de um modelo treinado. GPUs podem acelerar ambas as etapas.

Ainda assim, o evento não é apenas uma história sobre computação da NVIDIA. O dataset se torna útil apenas quando virologistas, biólogos estruturais, epidemiologistas e instituições públicas conseguem interpretar e testar seu conteúdo.

O anúncio, portanto, conecta três recursos frequentemente discutidos separadamente: dados abertos, computação de IA e ciência de laboratório. Seu valor real dependerá de esses recursos funcionarem como um único sistema de pesquisa.

Esse sistema também precisa preservar o contexto. Uma estrutura prevista sem sua sequência de origem, métricas de confiança, metodologia e histórico de versões pode induzir pesquisadores ao erro. O acesso aberto, por si só, não torna um registro científico completo.

Essa distinção explica por que a coalizão é mais relevante do que outro lançamento de modelo. Seu alvo é uma infraestrutura de pesquisa duradoura, que permaneça disponível entre surtos, quando a atenção política e o financiamento emergencial costumam diminuir.

Por que o conhecimento sobre proteínas deu aos pesquisadores da COVID-19 uma vantagem inicial

O desenvolvimento de vacinas contra a COVID-19 avançou rapidamente porque os cientistas entraram em 2020 com conhecimento relevante, não porque partiram do zero e resolveram tudo de uma vez.

Pesquisadores estudavam coronavírus humanos e animais havia décadas. Trabalhos realizados após o surto de SARS em 2003 e a identificação da MERS em 2012 esclareceram como as proteínas spike dos coronavírus ajudam os vírus a entrar nas células hospedeiras.

A proteína spike tornou-se um alvo crítico para as vacinas contra a COVID-19. Pesquisadores também sabiam que estabilizar a proteína em uma forma específica poderia ajudar o sistema imunológico a reconhecê-la com mais eficácia.

As plataformas de vacinas forneceram outra vantagem. Vacinas de RNA mensageiro usam instruções genéticas que orientam as células a produzir um antígeno-alvo, que então treina o sistema imunológico. Cientistas desenvolveram os métodos subjacentes de entrega e fabricação antes do surgimento do SARS-CoV-2.

Esse contexto não eliminou a necessidade de ensaios clínicos, validação de fabricação ou monitoramento de segurança. Ele reduziu o campo de abordagens plausíveis e deu às equipes pontos de partida concretos.

O próximo patógeno de alta consequência pode não pertencer a uma família tão bem estudada. Suas proteínas de superfície podem ter poucas estruturas experimentais, anotações limitadas ou nenhum alvo vacinal estabelecido.

Essa possibilidade é central para o planejamento de patógenos liderado pela Organização Mundial da Saúde. A OMS usa o termo “Disease X” para uma grave epidemia internacional causada por um patógeno ainda não conhecido por causar doença em humanos.

Disease X não é uma previsão sobre um vírus específico. É um conceito de planejamento que obriga instituições a se prepararem para a incerteza, em vez de se otimizarem exclusivamente para ameaças conhecidas.

Um dataset aberto de proteínas se encaixa nessa estratégia porque amplia a biblioteca de possibilidades biológicas disponíveis para comparação. Quando surge uma sequência desconhecida, cientistas podem procurar estruturas relacionadas, regiões conservadas e possíveis semelhanças funcionais.

Uma região conservada é um segmento que muda relativamente pouco entre organismos relacionados. Essas regiões podem ser alvos úteis porque podem continuar reconhecíveis mesmo à medida que outras partes de um patógeno evoluem.

Pesquisadores também poderiam usar previsões existentes para selecionar experimentos de laboratório. Em vez de tratar cada nova proteína como igualmente misteriosa, poderiam priorizar proteínas associadas à entrada celular, replicação ou evasão imunológica.

Esse processo não produz instantaneamente uma vacina. Ele reduz o tempo gasto na organização de informações básicas e na decisão sobre o que testar.

A ideia apoia a ambição mais ampla por trás da 100 Days Mission, que busca disponibilizar contramedidas seguras e eficazes em até 100 dias após a identificação de uma ameaça pandêmica. Alcançar essa meta requer pesquisas úteis antes de o relógio começar a contar.

Dados de proteínas são apenas um componente. A vigilância precisa detectar o patógeno, laboratórios precisam compartilhar amostras, reguladores precisam avaliar produtos e fabricantes precisam ampliar a produção.

Ainda assim, o conhecimento biológico inicial pode influenciar cada etapa posterior. Um alvo proteico pouco compreendido atrasa o desenho de ensaios, a seleção de vacinas e a triagem de medicamentos. Mapas preliminares melhores podem direcionar essas atividades.

A iniciativa de dataset aberto de proteínas da NVIDIA, portanto, aborda uma fraqueza específica na preparação para pandemias. O financiamento emergencial pode acrescentar capacidade computacional, mas não consegue recriar instantaneamente anos de conhecimento biológico organizado.

Como dados abertos de proteínas podem encurtar o primeiro ciclo de pesquisa

O argumento mais forte a favor de dados abertos de proteínas não é a previsão perfeita; é uma coordenação mais rápida em torno das perguntas mais promissoras.

A pesquisa sobre proteínas geralmente passa por várias etapas interligadas. Cientistas identificam uma sequência, inferem sua função, estimam sua estrutura, comparam-na com proteínas conhecidas e testam experimentalmente afirmações importantes.

A IA pode acelerar o meio dessa cadeia. O trabalho AlphaFold da DeepMind mostrou que o aprendizado de máquina poderia produzir previsões úteis de estruturas em uma escala que a biologia experimental isoladamente não conseguiria alcançar.

O banco de dados AlphaFold tornou estruturas previstas pesquisáveis abertamente por meio de uma parceria entre Google DeepMind e o European Bioinformatics Institute da EMBL. Seu modelo público estabeleceu um precedente importante para a distribuição de resultados de biologia computacional.

Repositórios abertos também são anteriores à IA moderna. O Protein Data Bank há muito tempo preserva estruturas tridimensionais determinadas experimentalmente e seus registros de suporte. Essas medições continuam sendo pontos de referência essenciais para avaliar previsões.

A nova coalizão se situa entre essas tradições. Ela pode usar métodos computacionais para ampliar a cobertura, preservando ao mesmo tempo as práticas científicas abertas desenvolvidas em torno de arquivos experimentais.

Essa combinação cria vários caminhos práticos de pesquisa.

Primeiro, pesquisadores podem comparar as proteínas de um novo patógeno com estruturas previamente previstas. A semelhança estrutural às vezes revela uma relação que a comparação de sequências isoladamente torna difícil de enxergar.

Segundo, as equipes podem identificar possíveis sítios de ligação. Um sítio de ligação é uma área em que outra molécula pode se prender, potencialmente alterando o comportamento de uma proteína. Esses sítios podem orientar o trabalho inicial de triagem de medicamentos.

Terceiro, pesquisadores de vacinas podem examinar regiões expostas de proteínas que uma resposta imunológica poderia reconhecer. Essas previsões ajudam a priorizar candidatos, embora estudos de laboratório precisem determinar se as regiões são estáveis e acessíveis.

Quarto, desenvolvedores de diagnósticos podem procurar características moleculares distintivas. Um alvo diagnóstico útil precisa distinguir o patógeno sem produzir resultados falsos em excesso.

Quinto, cientistas podem estudar famílias inteiras de proteínas, em vez de exemplos individuais. Comparações amplas podem revelar quais características permanecem estáveis e quais evoluem rapidamente.

É aqui que o acesso aberto muda a economia da participação. Um laboratório universitário sem recursos para treinar um grande modelo ainda pode analisar previsões publicadas. Uma equipe de saúde pública pode combiná-las com registros locais de vigilância.

Empresas de biotecnologia podem usar a mesma base para trabalhos aplicados mais específicos. Insumos compartilhados não eliminam a concorrência por moléculas, sistemas de entrega, métodos de fabricação ou execução clínica.

Em vez disso, dados abertos podem criar uma camada inicial comum. Essa camada se assemelha mais a uma infraestrutura pública do que a um produto comercial finalizado.

Para os pesquisadores, o desafio operacional passa a ser a gestão de informações. Registros de proteínas podem incluir sequências, estruturas, pontuações de confiança, anotações, versões de modelos, artigos e atualizações experimentais.

As equipes precisam de uma cadeia clara entre cada conclusão e sua fonte. Uma base de conhecimento pesquisável pode ajudar os grupos a preservar essa proveniência entre artigos, protocolos e análises locais.

Proveniência significa saber de onde veio um registro, como ele foi produzido e quando mudou. Isso se torna crucial quando vários modelos geram estruturas diferentes para a mesma sequência.

Os pesquisadores também precisam de resultados negativos. Um candidato que falhou na validação em laboratório pode impedir que outra equipe repita o mesmo caminho. Ainda assim, experimentos malsucedidos costumam ser mais difíceis de publicar e localizar.

Portanto, um conjunto de dados aberto eficaz deve permitir revisões, em vez de apresentar previsões como respostas permanentes. Novas evidências experimentais precisam poder corrigir um resultado anterior de um modelo.

Ele também deve expor a confiança em um nível útil. Um modelo pode prever com segurança um domínio de uma proteína, mas permanecer incerto sobre uma região flexível ou uma interação.

Uma única pontuação resumida pode ocultar essa variação. Os pesquisadores precisam de níveis de confiança por resíduo ou por região, quando disponíveis, para decidir quais alegações merecem testes imediatos.

A iniciativa da NVIDIA de criar um conjunto de dados aberto de proteínas pode agregar valor ao tornar esses fluxos de trabalho mais rápidos e acessíveis. Seu sucesso dependerá menos do número de arquivos gerados do que de sua utilidade científica.

A Principal Disputa É Entre Preparação Aberta e Recuperação Emergencial

O verdadeiro adversário da coalizão é o modelo de pesquisa reativo, que só começa depois que um patógeno perigoso já está se espalhando.

A pesquisa reativa não é uma escolha feita por cientistas descuidados. Ela frequentemente reflete a forma como a atenção pública, o financiamento, o acesso a amostras e a urgência institucional se concentram durante emergências.

Entre surtos, o trabalho sobre famílias pouco conhecidas de patógenos pode ter dificuldade para obter apoio contínuo. O mercado comercial esperado para uma vacina ou antiviral pode permanecer incerto até o início de uma crise.

Esse ciclo cria um atraso previsível. Os cientistas precisam caracterizar o patógeno enquanto autoridades de saúde pública já tomam decisões sobre testes, viagens, tratamento e medidas de proteção.

A preparação aberta altera essa sequência. Pesquisadores podem construir conjuntos de dados de referência, comparar modelos e estudar famílias de proteínas no período mais calmo antes de uma crise.

A pressão recai sobre governos, financiadores de pesquisa, empresas farmacêuticas e agências de saúde. Eles precisam decidir se a infraestrutura de preparação merece investimento contínuo sem uma emergência imediata.

As empresas de IA também enfrentam pressão. É relativamente fácil publicar contagens impressionantes de previsões. Mais difícil é manter conjuntos de dados por meio de versionamento, controle de qualidade, documentação e acesso de longo prazo.

A presença do Google dá à coalizão experiência em previsão de proteínas em larga escala e distribuição pública. A NVIDIA contribui com infraestrutura computacional e um portfólio crescente de ferramentas para biologia computacional.

Esses papéis são complementares, mas o projeto precisa evitar tornar-se uma vitrine para fornecedores de computação. Virologistas e pesquisadores de laboratório devem definir quais proteínas recebem atenção e quais evidências as acompanham.

A comparação com AlphaFold é instrutiva. O AlphaFold ampliou o acesso a estruturas previstas, enquanto o Protein Data Bank continuou servindo como registro de estruturas experimentais.

Nenhum dos dois caminhos tornou o outro desnecessário. As previsões ampliaram o espaço de busca, e os experimentos continuaram sendo o padrão para muitas decisões relevantes.

A preparação para pandemias exige a mesma divisão de trabalho. Os modelos podem indicar alvos e gerar hipóteses. Os laboratórios precisam testar se a proteína relevante se comporta como previsto em um sistema biológico.

As instituições públicas devem então conectar as evidências científicas às políticas públicas. Um alvo estruturalmente plausível não responde se uma doença se espalha com eficiência, causa enfermidade grave ou ameaça populações específicas.

Isso torna o compromisso da coalizão com a ciência aberta especialmente importante. Conjuntos de dados para preparação devem ser utilizáveis nos países onde os surtos surgem, e não apenas em centros de pesquisa ricos.

O acesso inclui mais do que permissão para baixar arquivos. Pesquisadores precisam de largura de banda suficiente, formatos compatíveis, documentação, treinamento e opções de computação que não exijam os maiores clusters.

O modelo aberto também cria um desafio de coordenação. Instituições diferentes podem usar nomes, padrões de metadados ou limites de qualidade inconsistentes.

A interoperabilidade, ou seja, a capacidade de sistemas separados trocarem e interpretarem registros, deve ser incorporada ao conjunto de dados. Caso contrário, arquivos abertos podem permanecer fragmentados em repositórios incompatíveis.

A governança determinará com que rapidez registros contestados são corrigidos. A coalizão precisa de processos transparentes para relatar erros, atualizar resultados de modelos e preservar versões anteriores.

Também precisa esclarecer o licenciamento. Pesquisadores e empresas devem entender se podem redistribuir registros, usá-los em descobertas comerciais ou combiná-los com outros conjuntos de dados.

Esses detalhes parecem administrativos, mas moldam a velocidade científica. Durante uma emergência, as equipes não podem passar dias resolvendo identificadores, licenças e históricos de dados incertos.

A preparação, portanto, exige um trabalho paciente de infraestrutura. A iniciativa da NVIDIA de criar um conjunto de dados aberto de proteínas ganha importância se continuar após o anúncio e se tornar parte da pesquisa de rotina.

Previsões Abertas Ainda Enfrentam Lacunas de Laboratório e Governança

Estruturas abertas de proteínas podem acelerar uma hipótese, mas não podem estabelecer que essa hipótese seja biologicamente verdadeira ou clinicamente útil.

Uma estrutura prevista é o resultado de um modelo. Ela estima a forma provável de uma proteína com base em padrões aprendidos e entradas fornecidas. A molécula real pode se comportar de forma diferente dentro de uma célula.

As proteínas podem se dobrar de maneira diferente conforme a temperatura, a acidez, as moléculas ao redor, as modificações químicas ou as interações com outras proteínas. Algumas são flexíveis, em vez de permanecerem fixas em uma configuração estável.

Proteínas virais também podem formar complexos. Um modelo de um componente isolado pode não captar como vários componentes interagem durante uma infecção.

As estimativas de confiança ajudam, mas não cobrem todas as fontes de erro. Um modelo pode estar confiante em relação a uma estrutura enquanto a interpretação biológica continua errada.

Essa incerteza importa quando cientistas selecionam alvos para vacinas ou candidatos a medicamentos. Uma suposição falsa pode redirecionar uma capacidade laboratorial escassa no período em que a velocidade mais importa.

A composição do conjunto de dados apresenta outro risco. Os modelos aprendem com sequências e estruturas disponíveis, que refletem prioridades históricas de pesquisa e cobertura desigual de vigilância.

Se algumas regiões geográficas, reservatórios animais ou famílias de patógenos forem pouco amostrados, o conjunto de dados resultante poderá preservar essas lacunas. Grande escala não produz automaticamente uma cobertura representativa.

A qualidade dos dados é igualmente importante. Sequências incorretas, espécies identificadas de forma errada, contaminação ou registros duplicados podem fluir para análises posteriores, a menos que os responsáveis usem uma validação rigorosa.

A participação aberta pode expor erros mais rapidamente, pois mais pesquisadores podem inspecionar um registro. Ela também pode disseminar amplamente registros fracos se as correções não se propagarem de forma confiável.

A biossegurança acrescenta uma questão política mais difícil. Conjuntos de dados biológicos detalhados apoiam pesquisas legítimas, mas algumas informações podem ter potencial de uso duplo, o que significa que poderiam apoiar atividades nocivas.

Isso não justifica tratar toda pesquisa de proteínas como segredo. Exige, porém, uma governança que diferencie informações científicas amplamente úteis de detalhes operacionais sensíveis.

O desafio é evitar dois extremos custosos. Restrições excessivas podem desacelerar a pesquisa em saúde pública e concentrar capacidades em poucas instituições. Uma divulgação descuidada pode ignorar preocupações críveis de uso indevido.

A confiança internacional também importa. Um conjunto de dados sobre pandemias será incompleto se países ou laboratórios temerem que compartilhar sequências não lhes trará crédito, acesso ou benefício.

O acordo sobre pandemias da OMS reflete o debate mais amplo sobre acesso a patógenos, compartilhamento de benefícios, financiamento e distribuição equitativa. Previsões de proteínas não podem resolver essas questões políticas.

Portanto, a coalizão da NVIDIA deve ser julgada por mais do que sua produção técnica. Ela precisa de participação significativa de instituições que coletam amostras e respondem a surtos em regiões diversas.

Autoria e atribuição fazem parte desse acordo. Cientistas locais que geram sequências ou caracterizam patógenos devem permanecer visíveis na cadeia de pesquisa resultante.

O compartilhamento de benefícios também importa. Um país que contribui com dados essenciais não deve enfrentar acesso tardio a diagnósticos, tratamentos ou vacinas derivados dessa contribuição.

Há também um risco de durabilidade. A infraestrutura pública de pesquisa pode enfraquecer quando subsídios expiram, prioridades corporativas mudam ou uma crise desaparece das manchetes.

A gestão de longo prazo exige hospedagem estável, propriedade institucional clara, backups e planos de migração. Os pesquisadores precisam ter confiança de que identificadores e citações continuarão sendo resolvidos anos depois.

Por fim, as alegações da coalizão exigem avaliação independente. Medidas úteis incluem precisão das previsões, cobertura de famílias negligenciadas de patógenos, velocidade de atualização e adoção em laboratórios.

Somente contagens de downloads revelariam pouco. Um conjunto de dados pode atrair curiosidade sem melhorar escolhas experimentais ou a resposta a surtos.

A prova mais forte viria de testes prospectivos. Pesquisadores poderiam selecionar proteínas ainda não caracterizadas, publicar previsões e compará-las com estruturas experimentais obtidas posteriormente.

Esses estudos revelariam onde o sistema apresenta bom desempenho e onde a incerteza continua alta demais. Eles também ajudariam as equipes a desenvolver regras para encaminhar uma previsão ao trabalho de laboratório.

Essa visão cética não invalida o projeto. Ela define as condições sob as quais dados abertos de proteínas se tornam preparação, e não publicidade.

Três Sinais Mostrarão se a Coalizão Cumpre o Que Promete

O próximo teste é saber se a coalizão transforma uma premissa convincente em um sistema de pesquisa mantido e validado de forma independente.

O primeiro sinal é uma divulgação pública concreta, com escopo documentado. Pesquisadores devem observar o número e os tipos de proteínas incluídos, seus critérios de seleção, licenças, metadados e campos de confiança dos modelos.

Uma divulgação útil deve identificar as sequências subjacentes e os métodos de previsão. Também deve explicar como os usuários podem relatar erros e obter versões atualizadas.

Se esses elementos aparecerem, o projeto se parecerá mais com infraestrutura científica. Se a divulgação enfatizar escala sem documentação, a alegação central perderá força.

O segundo sinal é a validação independente em laboratório. Grupos externos devem ser capazes de testar estruturas selecionadas e publicar os casos em que as previsões acertam ou falham.

A validação deve incluir proteínas difíceis, e não apenas exemplos já semelhantes a registros bem caracterizados. O desempenho em famílias negligenciadas de patógenos será especialmente informativo.

Resultados prospectivos consistentes reforçariam o argumento de que previsões abertas podem orientar pesquisas iniciais sobre surtos. Falhas grandes e sem explicação restringiriam o papel prático do conjunto de dados.

O terceiro sinal é a adoção em diferentes regiões e instituições. As evidências devem incluir uso por laboratórios de saúde pública, universidades e pesquisadores fora dos principais parceiros tecnológicos da coalizão.

Essa adoção revelará se o acesso é realmente aberto na prática. A disponibilidade dos arquivos significa pouco se os usuários não tiverem documentação, ferramentas compatíveis ou voz na governança.

Os leitores também devem observar como o projeto lida com correções. Alterações transparentes, históricos de versões preservados e créditos visíveis aos colaboradores ajudariam a construir confiança.

A iniciativa de conjunto de dados abertos de proteínas da NVIDIA não determinará sozinha o desfecho da próxima pandemia. Vigilância de patógenos, comunicação pública, ensaios clínicos, fabricação e distribuição equitativa continuam indispensáveis.

Ainda assim, ela pode mudar a posição de partida. Cientistas diante de uma ameaça desconhecida poderiam começar com um mapa pesquisável de estruturas plausíveis, em vez de uma página quase vazia.

Essa é a promessa defensável do projeto. A ciência aberta pode tornar o primeiro ciclo de pesquisa mais bem informado, coordenado e amplamente acessível antes que a pressão de uma emergência chegue.

A questão mais difícil é se as instituições manterão essa preparação quando nenhuma crise estiver dominando as notícias. Pesquisadores, financiadores e líderes de saúde pública devem acompanhar o lançamento, testar seus registros e exigir validação mensurável.

Se a coalizão entregar esses três sinais, os dados abertos de proteínas se tornarão mais do que um arquivo. Tornar-se-ão uma camada compartilhada de preparação para o próximo patógeno que os cientistas ainda não conhecem.