Quatro prioridades de IA para líderes de biotecnologia e farmacêuticas
Resumo dos CAS 2025 Life Sciences Summits
Em setembro de 2025, a CAS organizou os Life Sciences Summits na Europa, Coreia do Sul e Japão para explorar a IA na descoberta de medicamentos com especialistas farmacêuticos, acadêmicos e de tecnologia. Cada cúpula focou em prioridades regionais, incluindo governança de dados, barreiras de implementação de IA e desafios específicos de modalidades. Os eventos refletiram tendências na descoberta de medicamentos que estão remodelando as estratégias de pesquisa.
Nos três CAS Life Sciences Summits, quatro prioridades claras surgiram de empresas farmacêuticas, organizações de biotecnologia, CROs e instituições acadêmicas:
Temas principais dos líderes:
- Preparação de dados em vez de coleta de dados: As organizações possuem volume de dados suficiente, mas enfrentam dificuldades com a curadoria, contextualização e alinhamento a questões específicas de descoberta.
- Prontidão organizacional como gargalo: As capacidades técnicas existem, mas a gestão de mudanças, as estruturas de incentivo e a colaboração interdisciplinar determinam a implementação real.
- O modelo de parceria humano-IA: Em vez de substituição, o foco está em reposicionar a experiência humana ao lado de ferramentas computacionais.
- Estruturas de governança como infraestrutura crítica: À medida que a IA se integra mais profundamente aos fluxos de trabalho, a responsabilidade e o alinhamento regulatório tornam-se essenciais.
Essas prioridades surgiram por meio de discussões aprofundadas em cada cúpula, revelando como elas se manifestam em diferentes mercados farmacêuticos e contextos de pesquisa.
EMEA: Dados e IA para acelerar a descoberta de medicamentos
A CAS e a AstraZeneca coorganizaram a cúpula da EMEA na Royal Society, em Londres. As sessões abordaram ideação impulsionada por IA, análise preditiva, automação e sistemas agentivos.
1. O debate sobre a importância da prontidão dos dados
Participantes do setor, vindos de empresas farmacêuticas, empresas de biotecnologia e instituições acadêmicas, chegaram a uma conclusão fundamental: o desafio não é o volume de dados, mas a prontidão dos dados. As primeiras sessões focaram no que torna os conjuntos de dados eficazes para aplicações de IA, e participantes de empresas farmacêuticas e instituições acadêmicas descreveram suas experiências com a implementação. Vários observaram que conjuntos de dados mal curados produziram previsões não confiáveis, independentemente da sofisticação do modelo.
Um participante reforçou a importância da preparação em vez do volume. Os dados devem ser curados, contextualizados e alinhados a perguntas de descoberta específicas para produzir resultados mais relevantes e acionáveis. Vários participantes descreveram desafios semelhantes em suas próprias organizações, refletindo uma percepção mais ampla do setor de que muitas tentativas dispendiosas de implementar IA fracassaram devido a problemas fundamentais de dados, e não a limitações algorítmicas.
As discussões se expandiram para incluir abordagens além da literatura publicada tradicional. Os participantes descreveram abordagens internas para documentar resultados negativos estruturados, que registram experimentos fracassados raramente publicados, mas que contêm informações valiosas. Outros discutiram a geração de dados sintéticos e modelos de aprendizado federado. O aprendizado federado despertou interesse por permitir a colaboração entre várias instituições sem o compartilhamento de dados proprietários, embora os palestrantes tenham reconhecido que preocupações com propriedade intelectual e políticas institucionais continuam sendo barreiras para uma adoção generalizada.
2. Conexões interdisciplinares para impulsionar a prontidão organizacional
Várias sessões abordaram como as organizações podem conectar elementos-chave da descoberta colaborativa de medicamentos, incluindo química, biologia, ciência computacional e validação experimental. Alguns apresentaram plataformas colaborativas projetadas para conectar equipes que tradicionalmente trabalham separadamente.
O grupo também discutiu parcerias entre empresas que reúnem recursos e experiência. Embora essas colaborações possam acelerar o progresso, pressões competitivas e preocupações com a propriedade dos dados limitam uma adoção mais ampla.
Visão do setor: Como eliminar silos entre departamentos. A integração interdisciplinar surgiu como um desafio técnico e cultural. Líderes de empresas farmacêuticas e de biotecnologia observaram que conectar equipes focadas em química e biologia exige mais do que padrões de dados compartilhados. Exige estruturas de governança unificadas e novos modelos de incentivo que recompensem a colaboração em vez de contribuições individuais.
3. A experiência humana é necessária para a adoção da IA
Sessões sobre grandes modelos de linguagem e automação laboratorial examinaram como essas tecnologias se encaixam nos fluxos de trabalho existentes. Os apresentadores demonstraram como grandes modelos de linguagem podem expandir o espaço de design químico e gerar hipóteses. No entanto, a eficácia desses LLMs depende de benchmarking rigoroso e validação especializada. A indústria farmacêutica tem enfrentado esses desafios na descoberta de medicamentos de várias maneiras, com resultados mistos que ressaltam a importância contínua da experiência humana.
A automação laboratorial chamou a atenção por reduzir a variabilidade experimental e encurtar os tempos de ciclo. Um palestrante descreveu fluxos de trabalho baseados em código que permitem experimentos reprodutíveis em diferentes instalações. No entanto, os participantes enfatizaram que essas tecnologias apoiam, em vez de substituir, o julgamento científico. Os pesquisadores ainda interpretam resultados, validam previsões e tomam decisões estratégicas sobre quais direções seguir.
Esse reposicionamento da experiência humana representa uma mudança fundamental na forma como os líderes de P&D farmacêutico veem a adoção da IA. Em vez de perguntar "O que a IA pode substituir?", a formulação mais produtiva tornou-se "Como a IA expande o que os pesquisadores podem explorar?". Vários participantes de Organizações de Pesquisa por Contrato (CROs) e empresas farmacêuticas descreveram implementações bem-sucedidas onde a IA acelerou a geração de hipóteses, enquanto especialistas no domínio mantiveram o controle sobre a validação, interpretação e tomada de decisão estratégica.
4. Como as organizações estão governando as ferramentas de IA
Um tema recorrente foi a necessidade de metodologias transparentes e responsabilidade clara à medida que as ferramentas de IA são mais integradas. Os apresentadores compartilharam estruturas que rastreiam a procedência do modelo, documentando a lógica de decisão e validando previsões em relação aos resultados experimentais.
Um representante descreveu a abordagem de sua organização para garantir a auditabilidade e gerenciar riscos, mantendo o rigor científico. Outros levantaram questões sobre a responsabilidade quando hipóteses geradas por IA levam a experimentos fracassados ou quando sistemas automatizados produzem resultados inesperados.
“É encorajador ver líderes de várias disciplinas se unirem para discutir como a inteligência artificial pode acelerar descobertas científicas, e não substituir os cientistas que as impulsionam”, disse Manuel Guzman, presidente da CAS. “Essas ferramentas foram projetadas para apoiar os pesquisadores, ajudando-os a fazer perguntas melhores, testar ideias com mais eficiência e tomar decisões informadas.”
Capacidades técnicas não são suficientes para influenciar a adoção da IA
Em conjunto, essas quatro prioridades forneceram uma visão clara para os líderes presentes: capacidades técnicas por si só não impulsionam a adoção. Participantes de empresas farmacêuticas e de biotecnologia enfatizaram que a prontidão organizacional, as estruturas de incentivo e os processos de gestão de mudanças determinam se as equipes usarão as ferramentas de IA.
A estratégia de "pequenas vitórias". Vários líderes farmacêuticos defenderam a demonstração de valor por meio de sucessos direcionados, como uma previsão validada que acelera o cronograma de um projeto, um fluxo de trabalho reprodutível que elimina gargalos ou um projeto piloto que prova o conceito. Essa abordagem constrói a adesão organizacional de forma mais eficaz do que transformações em toda a empresa, ao mesmo tempo em que identifica quais aplicações de IA agregam valor na descoberta de medicamentos.
Insights regionais
O CAS Life Sciences Summit na Coreia do Sul examinou como organizações farmacêuticas globais aplicam IA na descoberta de medicamentos. Um palestrante convidado compartilhou estudos de caso sobre a integração de IA em pesquisa e desenvolvimento, descrevendo sucessos e desafios contínuos em cenários reais. Líderes farmacêuticos e de biotecnologia presentes no evento identificaram uma lacuna crítica: a distância entre as capacidades de IA demonstradas em ambientes de pesquisa e a aplicação prática em ambientes regulamentados de P&D farmacêutico.
O grupo explorou como os requisitos de validação, os padrões de qualidade de dados e as considerações de gestão de risco influenciam quais ferramentas podem ser implementadas em P&D farmacêutico. Um participante questionou como as organizações equilibram a velocidade oferecida pela IA com o rigor exigido pelas agências reguladoras.
Perguntas sobre o CAS BioFinder® revelaram interesse em plataformas que conectam dados de sequências biológicas com informações químicas. Vários participantes observaram que, à medida que os alvos de descoberta de medicamentos se tornam mais complexos, os pesquisadores precisam de ferramentas que integrem diversos tipos de dados. Esse desafio técnico reflete discussões organizacionais mais amplas sobre a conexão entre equipes focadas em química e biologia.
À medida que a descoberta de medicamentos se concentra mais em alvos anteriormente considerados difíceis de modular, como interações proteína-proteína e locais de ligação desafiadores, os pesquisadores estão explorando abordagens, incluindo degradação de proteínas baseada em PROTAC e inibidores de PPI de pequenas moléculas.
Uma troca notável abordou o papel da experiência humana em fluxos de trabalho aumentados por IA. Um participante perguntou por que o CAS continua a usar indexadores humanos, apesar do foco do summit em automação. A discussão revelou que, embora a IA possa processar grandes conjuntos de dados e identificar padrões, a experiência no domínio permanece essencial para curar, validar e interpretar essas informações.
A conversa concluiu que a IA expande o escopo do que os pesquisadores podem explorar e acelera o teste de hipóteses. No entanto, o julgamento especializado sobre plausibilidade biológica, viabilidade química e prioridades estratégicas não pode ser automatizado.
O CAS Life Sciences Summit no Japão abordou uma questão que preocupa muitos líderes farmacêuticos: Por que a IA mostra potencial para a descoberta de pequenas moléculas, mas enfrenta dificuldades com modalidades terapêuticas emergentes, como terapias de RNA, terapias com anticorpos, medicamentos peptídicos, terapias celulares e terapias gênicas? Convidados de empresas farmacêuticas, firmas de biotecnologia e instituições acadêmicas discutiram os diferentes níveis de prontidão da IA para diversos tipos de medicamentos, que dependem fortemente da disponibilidade de dados de treinamento e da compreensão mecanística.
A discussão centrou-se em tendências mais amplas na descoberta de medicamentos, examinando como a prontidão da IA varia entre as modalidades terapêuticas. Para a descoberta de pequenas moléculas, os participantes observaram que modelos de aprendizado profundo treinados em conjuntos de dados extensos (incluindo proteínas-alvo, dados de ligação e relações estrutura-atividade, por exemplo) podem gerar hipóteses e prever propriedades moleculares de forma mais confiável. Esses modelos se beneficiam de décadas de dados experimentais acumulados e princípios químicos e biológicos bem caracterizados.
Novas modalidades apresentam desafios diferentes, explicaram os palestrantes. Terapias de RNA, terapias com anticorpos, medicamentos peptídicos, terapias celulares e terapias gênicas enfrentam obstáculos distintos de dados e mecanismos. As terapias de RNA, por exemplo, possuem dados de treinamento limitados em comparação com pequenas moléculas, e os mecanismos biológicos que regem a estabilidade, entrega e eficácia do RNA são menos compreendidos. Um participante argumentou que melhorar a precisão da IA para essas modalidades requer três esforços paralelos: gerar sistematicamente dados experimentais de alta qualidade, desenvolver modelos que aprendam com exemplos limitados e incorporar conhecimento mecanístico para restringir as previsões dentro de limites biologicamente plausíveis. Outro destacou o valor da discussão, descrevendo-a como "uma oportunidade rara de trocar opiniões francas entre empresas em um ambiente fechado".
A toxicologia preditiva surgiu como uma preocupação específica, já que prever efeitos adversos a partir de dados pré-clínicos continua difícil, apesar dos avanços nas capacidades de modelagem. Os participantes pediram modelos de IA que possam prever eficácia e segurança mais cedo no processo de descoberta, capacidades que já estão surgindo nos sistemas atuais. Olhando para o futuro, alguns palestrantes vislumbram um cenário onde ferramentas poderiam avaliar a probabilidade de sucesso em ensaios clínicos e o potencial de mercado para apoiar decisões estratégicas de portfólio, embora tais capacidades preditivas abrangentes ainda sejam aspiracionais.
O grupo identificou lacunas técnicas específicas, incluindo dados de treinamento limitados para novas modalidades, uma compreensão mecanística incompleta e capacidades insuficientes de previsão de toxicidade. Essas lacunas apontam para áreas onde o investimento em pesquisa focada e a geração sistemática de dados poderiam acelerar o progresso.
Construindo sistemas de IA integrados prontos para o futuro
Em todas as regiões, os participantes concordaram que o progresso exige trabalho em várias frentes: melhorar a qualidade e a padronização dos dados, permitir a colaboração entre disciplinas e organizações, estabelecer estruturas de governança que construam confiança e abordar barreiras culturais dentro das instituições. Pequenas demonstrações de valor podem ser tão importantes quanto avanços técnicos para impulsionar uma adoção mais ampla.
Os próprios summits demonstraram o poder da colaboração interorganizacional. Os eventos permitiram discussões que raramente ocorrem dentro de organizações individuais, criando espaços onde cientistas de empresas farmacêuticas concorrentes, firmas de biotecnologia, CROs e instituições acadêmicas puderam trocar percepções francas. Os participantes valorizaram a oportunidade de focar no avanço do conhecimento científico em vez do posicionamento competitivo, revelando desafios compartilhados e abordagens colaborativas que podem acelerar o progresso em toda a indústria.
À medida que o campo avança além de demonstrações de prova de conceito para a implementação prática, o sucesso dependerá de líderes capazes de enfrentar desafios organizacionais, culturais e de governança críticos que determinam se as ferramentas de IA entregam valor em P&D farmacêutico real.
Para mais percepções sobre estratégias e tecnologias emergentes que moldam o futuro da descoberta de medicamentos, explore nosso Webinar de Tendências em Descoberta de Medicamentos 2025.
