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

A Mantis Biotech apresentou sua resposta a um dos problemas mais caros da indústria farmacêutica e da biomedicina: a falta de dados acessíveis e de qualidade. A empresa reúne fontes de informação dispersas e as transforma em conjuntos de dados sintéticos, com os quais é possível construir gêmeos digitais de pessoas.

O que a Mantis faz

A abordagem da Mantis Biotech gira em torno de reunir em um único ambiente digital diferentes tipos de informação sobre uma pessoa: anatomia, fisiologia e comportamento. Com esses fragmentos, a empresa forma conjuntos de dados sintéticos, que depois podem ser usados para criar gêmeos digitais do corpo humano.

Um gêmeo desses não equivale a um paciente real e não é uma cópia exata dele no sentido literal. Trata-se mais de um modelo computacional que ajuda a descrever como o organismo é estruturado e como ele pode reagir a diferentes intervenções.

O objetivo é transformar dados médicos pouco compatíveis em uma base mais coesa para a pesquisa. Na medicina, a informação necessária costuma ficar em bancos de dados diferentes, ser coletada com protocolos distintos e dificilmente passa de um contexto de pesquisa para outro. Se a Mantis conseguir padronizar essa camada e torná-la adequada à modelagem, os desenvolvedores de medicamentos ganhariam uma nova ferramenta de trabalho antes das etapas caras de verificação clínica.

Para que servem os gêmeos

Para a indústria farmacêutica, a escassez de dados não é um problema abstrato, mas um limite direto de velocidade. Pesquisadores podem ter uma hipótese forte sobre o mecanismo de uma doença ou a ação de uma molécula, mas esbarrar na falta de conjuntos de dados comparáveis. Nessa lógica, os gêmeos digitais não servem como vitrine bonita de IA, e sim para testar cenários mais rápido, comparar modelos de resposta do organismo e encontrar pontos fracos nos conjuntos de observações existentes.

• combinar dados anatômicos, fisiológicos e comportamentais em um único modelo
• complementar amostras médicas reais com dados sintéticos
• testar hipóteses antes das etapas mais caras de desenvolvimento
• identificar mais rápido lacunas de dados sobre doenças específicas
• reduzir a dependência de conjuntos de dados raros ou de crescimento lento

Se a abordagem funcionar com precisão suficiente, as empresas poderão usar conjuntos de dados sintéticos como uma camada intermediária entre as observações brutas e as conclusões aplicadas. Isso é especialmente importante onde os dados reais são difíceis de coletar por causa do custo, da privacidade ou do número limitado de pacientes adequados. Nesse cenário, o gêmeo digital não substitui a realidade clínica, mas é uma forma de extrair mais sinal dela antes da próxima rodada de estudos caros.

A questão central

Sistemas desse tipo têm uma limitação óbvia: a qualidade do resultado sempre depende da qualidade do material de origem. Um conjunto de dados sintético é útil exatamente na medida em que reflete com precisão os processos biológicos reais. Se as fontes originais tiverem vieses, lacunas ou pouca representatividade, o modelo pode reproduzir os mesmos erros, só que numa embalagem mais convincente e tecnológica. Por isso, a conversa sobre dados sintéticos na medicina logo esbarra em validação, controle de qualidade e confiança nas conclusões.

Por isso, o principal teste da Mantis não será a geração de dados em si, mas a confiança neles. Farmacêuticas e equipes de pesquisa vão avaliar reprodutibilidade, transparência e utilidade prática desses modelos. No fim, o mercado vai julgar não o barulho em torno do termo gêmeo digital, mas se ele de fato ajuda a reduzir o tempo e o custo das pesquisas sem perda de confiabilidade científica e sem risco extra nas etapas seguintes de desenvolvimento.

O que isso significa

A Mantis Biotech aposta em uma das frentes mais pragmáticas da IA na medicina: a infraestrutura de dados, e não mais uma interface sobre um modelo. Se a empresa conseguir montar gêmeos digitais confiáveis a partir de fontes médicas dispersas, isso pode acelerar o desenvolvimento de medicamentos onde hoje o processo é freado pela falta de dados de qualidade.

Para o mercado, é um sinal importante: a próxima onda de IA em healthtech pode ser construída não em torno de chatbots, mas de uma base de pesquisa de melhor qualidade.