A Mantis Biotech cria gêmeos digitais de pessoas para resolver a escassez de dados médicos

O Que Mantis Faz

A abordagem da Mantis Biotech é construída em torno da ideia de reunir diferentes tipos de informações sobre uma pessoa em um único ambiente digital: anatomia, fisiologia e comportamento. A partir desses fragmentos, a empresa forma conjuntos de dados sintéticos, que podem então ser usados para criar gêmeos digitais do corpo humano. Tal gêmeo não é equivalente a um paciente vivo e não é uma cópia exata em sentido literal.

Trata-se, mais precisamente, de um modelo computacional que ajuda a descrever como o organismo está estruturado e como ele potencialmente responde a diferentes influências. O objetivo é transformar dados médicos mal compatibilizados em uma base mais coerente para pesquisas. Na medicina, as informações necessárias costumam ser armazenadas em diferentes bancos de dados, coletadas sob protocolos diferentes e não são transferidas bem de um contexto de pesquisa para outro.

Se a Mantis conseguir padronizar essa camada e torná-la adequada para modelagem, os desenvolvedores de medicamentos ganharão uma nova ferramenta de trabalho antes mesmo dos estágios caros de testes clínicos.

Por Que Gêmeos Digitais São Necessários

Para a indústria farmacêutica, um déficit de dados não é um problema abstrato, mas uma limitação direta de velocidade. Os pesquisadores podem ter uma forte hipótese sobre um mecanismo de doença ou como uma molécula funciona, mas se deparam com uma escassez de arrays de dados comparáveis. Gêmeos digitais nessa lógica são necessários não para uma apresentação reluzente de IA, mas para testar rapidamente cenários, comparar modelos de como o organismo reage e encontrar pontos fracos em conjuntos de observações existentes.

• combinar dados anatômicos, fisiológicos e comportamentais em um único modelo
• suplementar amostras médicas reais com dados sintéticos
• testar hipóteses antes de estágios de desenvolvimento mais caros
• identificar mais rapidamente lacunas de dados para doenças específicas
• reduzir a dependência de conjuntos de dados raros ou preenchidos lentamente

Se essa abordagem funcionar com precisão suficiente, as empresas poderão usar conjuntos de dados sintéticos como uma camada intermediária entre observações brutas e conclusões aplicadas. Isso é especialmente importante onde dados reais são difíceis de coletar devido a custo, privacidade ou número limitado de pacientes adequados. Nesse cenário, um gêmeo digital se torna não uma substituição da realidade clínica, mas uma forma de extrair mais eficientemente sinais dela antes da próxima rodada de pesquisas caras.

A Questão Principal

Esses sistemas têm uma limitação óbvia: a qualidade do resultado sempre depende da qualidade do material de origem. Um conjunto de dados sintéticos é útil apenas na medida em que reflete com precisão processos biológicos reais. Se as fontes originais contêm vieses, lacunas ou baixa representatividade, o modelo pode reproduzir os mesmos erros, apenas em um envoltório mais convincente e tecnologicamente sofisticado.

É por isso que a conversa sobre dados sintéticos na medicina rapidamente se resume em validação, controle de qualidade e confiança nas conclusões. É por isso que para a Mantis o principal teste não será a geração de dados em si, mas a confiança neles. As empresas farmacêuticas e equipes de pesquisa procurarão reprodutibilidade, transparência e aplicabilidade prática desses modelos.

O mercado em última análise avaliará não a amplitude do termo gêmeo digital, mas se ele realmente ajuda a reduzir o tempo e o custo da pesquisa sem perder confiabilidade científica e sem risco desnecessário em estágios subsequentes de desenvolvimento.

O Que Isso Significa

A Mantis Biotech está apostando em uma das direções mais pragmáticas de IA em medicina: infraestrutura de dados, não outra interface em um modelo. Se a empresa conseguir construir de forma confiável gêmeos digitais a partir de fontes médicas díspares, isso poderia acelerar o desenvolvimento de medicamentos onde o processo é atualmente desacelerado pela falta de dados de qualidade. Para o mercado, este é um sinal importante: a próxima onda de IA em healthtech pode ser construída não em torno de chatbots, mas em torno de uma base de pesquisa melhor.