Encontrar um anticorpo capaz de se encaixar perfeitamente em um alvo associado a uma doença pode ser comparado a procurar uma chave específica entre milhões de peças. O desafio fica ainda maior quando pequenas mudanças na sequência de aminoácidos podem alterar completamente a capacidade de uma molécula reconhecer seu alvo.
Agora, pesquisadores desenvolveram uma estratégia de inteligência artificial especializada em anticorpos que pode tornar essa busca muito mais eficiente. Em vez de simplesmente aumentar o tamanho do modelo, a abordagem ensina a IA a concentrar sua atenção justamente nas regiões dos anticorpos que mais importam para o reconhecimento de moléculas estranhas.
O resultado pode ajudar a acelerar uma das etapas mais trabalhosas do desenvolvimento de medicamentos à base de anticorpos.
O pequeno trecho que decide o encaixe
Os anticorpos possuem uma estrutura complexa, mas sua capacidade de reconhecer determinado alvo não está distribuída igualmente por toda a molécula. Uma parte fundamental dessa função está concentrada em seis regiões chamadas regiões determinantes de complementaridade, conhecidas pela sigla CDR.
Essas estruturas formam parte do local de contato entre o anticorpo e o antígeno, a molécula que ele reconhece. É justamente essa interação que permite ao sistema imunológico identificar vírus, bactérias e outras ameaças.
Por isso, tratar todos os aminoácidos de um anticorpo como se tivessem a mesma importância pode dificultar o aprendizado de uma IA. A nova estratégia parte de uma ideia diferente: ensinar o computador a prestar mais atenção às regiões biologicamente decisivas.
IA aprende com milhões de anticorpos
Para desenvolver o modelo, os pesquisadores utilizaram mais de 1,6 milhão de cadeias pesadas e leves de anticorpos naturalmente pareadas. Durante o treinamento, partes das CDRs foram ocultadas deliberadamente para que a inteligência artificial aprendesse a reconstruir as sequências ausentes.
Essa estratégia permitiu que o modelo desenvolvesse uma representação mais direcionada das características relacionadas ao reconhecimento e à ligação dos anticorpos.
O estudo foi publicado em 13 de agosto de 2026 na revista científica Communications AI & Computing, tendo Diane Joseph-McCarthy como autora principal. A pesquisa mostrou que a abordagem conseguiu melhorar a previsão da afinidade de ligação em até 27% em determinados conjuntos de dados.
Além disso, o modelo possui aproximadamente 600 milhões de parâmetros, número consideravelmente menor que o de algumas alternativas desenvolvidas para tarefas semelhantes.
Menos candidatos para testar no laboratório
Na prática, uma das maiores vantagens está na capacidade de priorizar anticorpos promissores antes dos experimentos.
Uma pequena alteração na sequência de um anticorpo pode gerar inúmeras possibilidades. Testar cada uma delas experimentalmente seria extremamente demorado e caro. A IA pode funcionar como um filtro inicial, reduzindo esse universo para um grupo menor de candidatos com maior potencial. Isso pode trazer benefícios importantes para diferentes etapas da pesquisa biomédica, como:
- seleção de anticorpos terapêuticos;
- otimização de moléculas já existentes;
- desenvolvimento de tratamentos contra infecções;
- identificação de anticorpos com maior afinidade;
- adaptação de terapias diante da evolução de vírus.
Uma nova forma de ensinar máquinas sobre biologia
A principal contribuição da pesquisa está menos no tamanho da inteligência artificial e mais na maneira como ela foi treinada. Ao incorporar conhecimentos de imunologia e biologia estrutural ao processo de aprendizado, os pesquisadores conseguiram direcionar os recursos computacionais para regiões com maior relevância funcional.
Essa lógica pode ser particularmente útil diante de novos surtos de doenças infecciosas. Caso um vírus sofra alterações capazes de modificar seus alvos, modelos especializados poderão ajudar a identificar rapidamente quais mudanças nas sequências dos anticorpos têm maior probabilidade de preservar ou melhorar a ligação.
No futuro, estratégias semelhantes também poderão contribuir para diagnósticos, vacinas e novas terapias biológicas. Ao transformar a biologia dos anticorpos em informação que uma IA consegue interpretar com maior precisão, a tecnologia pode encurtar o caminho entre uma enorme biblioteca de moléculas e aquelas poucas candidatas que realmente merecem chegar ao laboratório.
