Cientista do MIT ensina AI a entender química para desenvolver novos medicamentos
O pesquisador do MIT Connor Coley está desenvolvendo modelos de AI treinados não apenas em padrões estatísticos, mas nos princípios fundamentais da química. Ess
Connor Kolja do Instituto de Tecnologia de Massachusetts trabalha na intersecção entre química e aprendizado de máquina. Sua nova abordagem ajuda sistemas de AI não apenas a encontrar padrões nos dados, mas a compreender princípios fundamentais de química — e utilizar esse conhecimento para desenvolver novos medicamentos.
Por Que o ML Convencional Não É Suficiente
Modelos tradicionais de aprendizado de máquina são treinados em enormes volumes de dados e procuram padrões. Mas em química, isso é insuficiente: uma molécula que parece estatisticamente similar pode ter propriedades completamente diferentes. É necessário que a AI compreenda as regras químicas reais — como os átomos interagem, por que os elétrons se distribuem de determinada forma. É por isso que Kolja integrou princípios químicos em seus modelos. A AI agora não adivinha; ela raciocina — como um químico experiente.
Como Funciona
A abordagem de Kolja utiliza as chamadas redes neurais informadas por física (physics-informed neural networks). Elas combinam o poder do aprendizado profundo com restrições explícitas derivadas da química. O modelo pode propor uma molécula que:
- Nunca apareceu nos dados de treinamento
- Mas está em conformidade com as leis químicas — não viola valência, balanço de elétrons
- E provavelmente possui as propriedades desejadas para um medicamento
É como dar à AI não apenas um conjunto de exemplos, mas um livro de química e pedir que resolva um problema criativo.
Aplicações e Potencial
"Queremos que a AI não apenas preveja quais moléculas funcionarão, mas que possa explicar por quê", diz
Kolja.
Essa abordagem já mostra resultados. A AI encontra candidatos a medicamentos que químicos humanos deixariam passar — porque são incomuns ou atípicos, mas nem por isso deixam de ser funcionais. Isso acelera os estágios iniciais do desenvolvimento: em vez de sintetizar centenas de compostos, pesquisadores podem primeiro filtrar para os 10–20 melhores candidatos. Para a farmacêutica, isso é crítico: desenvolver um único medicamento custa bilhões e leva anos.
O Que Isso Significa
Isso sinaliza como o aprendizado de máquina está mudando. A primeira geração de AI foi puramente estatística — adivinhava padrões. A segunda geração incorpora conhecimento especializado e leis físicas. A AI deixa de ser apenas uma ferramenta de busca e passa a ser uma pesquisadora que raciocina segundo as regras. Para a química e biologia, isso pode significar acelerar não apenas o desenvolvimento de medicamentos, mas também a descoberta de novos materiais e catalisadores.