Codex e ChatGPT ajudam cientista a caçar novos antimicrobianos

Notícia
Large Language Model
10/09/2026

O laboratório do bioengenheiro César de la Fuente, dedicado à caça de novos antimicrobianos, incorporou o Codex e o ChatGPT ao seu fluxo de trabalho científico — do levantamento de hipóteses à análise de grandes volumes de dados genômicos. O caso foi detalhado pela OpenAI em 10 de setembro de 2026 e mostra como modelos de linguagem e de programação estão sendo usados para vasculhar o código genético de espécies vivas e extintas em busca de moléculas com potencial terapêutico.

A biologia como sistema de informação

A premissa do grupo é tratar a biologia como um sistema de informação. Os nucleotídeos que formam o DNA e os aminoácidos que compõem proteínas e peptídeos funcionam, na definição do próprio pesquisador, como um alfabeto. Encarar a vida dessa forma permitiu ao laboratório criar métodos capazes de começar a decifrar os princípios de organização que dão origem a uma molécula funcional. Os modelos de aprendizado profundo desenvolvidos ali são treinados para reconhecer padrões em sequências biológicas e, com isso, percorrer enormes bases de genomas e proteínas. O efeito prático é uma compressão radical de prazos: a etapa inicial de busca por candidatos, que costumava consumir anos, pode ser concluída em horas.

Apenas uma fração de um genoma tem função conhecida, e uma parcela ainda menor codifica moléculas capazes de combater microrganismos infecciosos. O desafio é identificar quais padrões tornam uma molécula funcional — ou biologicamente ativa — e, depois, quais delas têm potencial para enfrentar micróbios. Historicamente, a busca por antimicrobianos passou por plantas, animais, microrganismos, insetos, água e solo, com coleta de amostras e testes iterativos que duram anos. As bases digitais de genomas e proteínas ampliaram o alcance dessa procura por toda a árvore da vida, mas criaram um problema próprio: encontrar sinais promissores em meio a um número gigantesco de possibilidades. É aí que a inteligência artificial se encaixa, ao varrer grandes conjuntos de dados, detectar padrões difíceis de perceber e priorizar um grupo administrável de candidatos para teste em laboratório.

Uma ponte entre disciplinas

O grupo é altamente transdisciplinar e reúne pesquisadores de biologia, química, ciência da computação e engenharia. Parte dos membros programa bem, mas conhece menos de biologia ou química — e vice-versa. Codex e ChatGPT ajudam a preencher essas lacunas, permitindo que biólogos construam programas e que programadores enfrentem problemas biológicos. Na prática, a IA reduz barreiras entre áreas: apoia a revisão de temas desconhecidos, esclarece terminologia, compara métodos de campos diferentes, organiza ideias para a descoberta de fármacos e ajuda a baixar, organizar e pré-processar grandes conjuntos de dados genômicos. Os modelos também permitem que os pesquisadores trabalhem em seus idiomas nativos, o que acelera tarefas do dia a dia.

De la Fuente também usa o ChatGPT como parceiro de formulação de hipóteses, ainda que siga desenvolvendo ideias com colegas. O espaço de trabalho do laboratório recebe contribuições de pessoas que pensam de formas diferentes sobre os mesmos problemas — inclusive ideias ruins —, funcionando como um painel colaborativo de discussão. Ele, porém, faz uma ressalva: é preciso sempre conferir a precisão das respostas.

O caminho até um medicamento

Encontrar um candidato promissor está longe de significar um remédio eficaz. É necessário confirmar que a molécula mata o micróbio-alvo, determinar a quantidade necessária para ser efetiva e testar seus efeitos sobre células humanas. Químicos podem então otimizá-la para melhorar eficácia, segurança ou estabilidade. Outras etapas avaliam a dose em que se torna tóxica, a facilidade com que micróbios desenvolvem resistência e a forma como a molécula se movimenta pelo corpo. Também é preciso definir um modo confiável de fabricá-la. Só depois vêm a revisão regulatória e os ensaios clínicos. Para o pesquisador, é justamente por isso que IA e biologia de laboratório precisam avançar juntas: experimentos de referência são essenciais para validar as previsões dos modelos.

Por que isso importa

A resistência de microrganismos a medicamentos — entre bactérias, fungos, parasitas e vírus — é uma ameaça global crescente. Cerca de cinco milhões de mortes registradas em 2021 foram associadas à resistência bacteriana a antimicrobianos, segundo levantamento publicado na The Lancet, e a projeção é que esse número anual praticamente dobre até 2050. Apesar da urgência, o mundo não vê uma nova classe de antibióticos há 50 anos, e boa parte do desenvolvimento atual se concentra em modificar medicamentos existentes ou revisitar classes químicas conhecidas, uma estratégia com retornos decrescentes.

O trabalho de César de la Fuente e de sua equipe, descrito em detalhe no relato da OpenAI, se insere em uma tradição científica antiga. Segundo ele, a humanidade sempre dependeu de ferramentas e máquinas para entender o mundo: o telescópio iluminou o cosmos e o microscópio revelou o invisível. Agora, máquinas ajudam a compreender, prever e projetar a biologia. Ele também vê os avanços mais promissores nas fronteiras entre disciplinas, onde poucos pesquisadores se aventuram — exatamente o território em que a IA pode atuar como facilitadora.