Depois de mais de uma década à frente da área de biotecnologia da Andreessen Horowitz, que chegou a administrar cerca de 4 bilhões de dólares, Vijay Pande saiu em junho do ano passado para fundar a menor empresa de investimentos VZVC com Zach Werner. A nova entidade baseia-se em um número limitado de apostas concentradas por ano, enquanto utiliza inteligência artificial e agentes de software para reduzir a necessidade de uma equipe de investimentos tradicional.
Mas a mudança no modelo de investimento não é o único eixo da visão de Pande. Ele considera que a inteligência artificial está conduzindo gradualmente a biologia de um campo dependente de descobertas dispersas e do acaso para um campo que pode ser projetado e engenheirado em maior grau. Isso inclui a identificação de alvos farmacológicos, o desenho de medicamentos e a otimização das fases dos ensaios clínicos, etapa considerada uma das partes mais caras do desenvolvimento de medicamentos.
Da descoberta ao design
Segundo Pande, as tecnologias de aprendizado de máquina permitiram que os computadores lidassem com uma complexidade biológica que era difícil de analisar pelos métodos tradicionais. Na última década, acumularam-se avanços paralelos na inteligência artificial aplicada à biologia e à química: a primeira concentra-se na compreensão das doenças e de seus tratamentos, enquanto a segunda se dedica à criação de compostos que tenham como alvo proteínas específicas.
Esses avanços não significam que o desenvolvimento de medicamentos tenha se tornado barato ou garantido. Pande afirma que o tempo e o custo necessários para chegar aos ensaios clínicos começaram a diminuir, mas que a realização do ensaio ainda pode exigir centenas de milhões de dólares. Ele também menciona que a probabilidade de um medicamento avançar com sucesso do primeiro ensaio até o fim do terceiro é de cerca de 20%, o que significa que o fracasso de oito medicamentos em cada dez aumenta o custo calculado por medicamento bem-sucedido.
Pande questiona se o uso de dados sintéticos realmente reduziu o custo dos ensaios clínicos na medida divulgada; ele descreve isso como uma ambição, mais do que uma realidade concretizada. Ele também relaciona grande parte do fracasso dos medicamentos à capacidade limitada de modelos animais, como ratos, de prever o que acontecerá em seres humanos. Em sua visão, um modelo de inteligência artificial não será perfeito, mas poderá superar, em alguns casos, a capacidade preditiva dos modelos animais.
A medicina de precisão precisa de dados sobre o indivíduo
A ideia se estende para além da descoberta de medicamentos, em direção à escolha do tratamento mais adequado para cada paciente. Pande explica que a prática médica depende muito da comparação dos resultados dos exames do paciente com médias populacionais, enquanto a pergunta mais importante pode ser o quanto o resultado é incomum especificamente para aquela pessoa.
Ele considera que depender apenas do genoma não é suficiente; o genoma se assemelha à planta da casa no momento de sua construção, mas não descreve necessariamente seu estado anos depois. Por isso, outras medições, como a proteômica, ganham importância para compreender a condição atual do organismo. Além disso, a automação e as medições robóticas fornecem novas quantidades de dados que podem ser associadas a modelos de inteligência artificial.
O problema dos dados fechados
A biologia difere dos textos disponíveis na internet em um ponto fundamental: as empresas não podem simplesmente coletar seus dados biológicos da web e treinar modelos com eles. Como resultado, cada empresa tende a construir seu próprio conjunto de dados, o que limita a possibilidade de treinar modelos compartilhados ou transferir conhecimento facilmente de um modelo para outro.
Pande acredita que o desenvolvimento de atlas abrangentes de informações biológicas, frequentemente na forma de modelos fundacionais, pode mudar esse rumo. Ele prevê que modelos biológicos de código aberto desempenharão um papel semelhante ao dos grandes modelos de linguagem abertos na competição com modelos comerciais. No entanto, essa proposta continua ligada à disposição de empresas e pesquisadores para compartilhar dados de valor comercial e científico.
O que muda na prática?
A VZVC concentra-se em duas áreas principais mencionadas por Pande: inteligência artificial para a prestação de cuidados de saúde e inteligência artificial para ensaios clínicos. Ele afirma que o fundo planeja cerca de cinco investimentos por ano, não trinta, com participação direta dele e de Werner nas empresas selecionadas. O fundo também busca fundadores que tenham integridade e pensem em uma relação de longo prazo, e não em uma competição curta para vencer uma rodada de financiamento concorrida.
A principal conclusão da fala de Pande é que o obstáculo central à inteligência artificial médica não é apenas o algoritmo. Mesmo com a melhoria dos modelos, a qualidade, a disponibilidade e a possibilidade de compartilhamento dos dados continuam sendo fatores decisivos. Além disso, o sucesso da tecnologia no laboratório não garante seu sucesso comercial; Pande reconhece que chegar ao mercado pode ser mais difícil do que construir a própria tecnologia.
Assim, a fala apresenta uma visão otimista, mas condicionada: a inteligência artificial pode melhorar a seleção e o desenho de alvos farmacológicos e orientar o tratamento, mas não pode criar dados biológicos inexistentes nem eliminar os riscos dos ensaios clínicos. Permanecem em aberto questões sobre o compartilhamento de dados, a validação dos modelos em seres humanos e a transformação dos resultados científicos em produtos aplicáveis — fatores que determinarão se a transição da “descoberta” para a “engenharia” se tornará uma mudança prática ampla.