DeepMind quer reinventar a descoberta de medicamentos e vencer as doenças

No Google I/O 2026, o CEO da DeepMind, Demis Hassabis, anunciou com toda a seriedade que a empresa espera "reinventar o processo de descoberta de medicamentos com o objetivo de, um dia, resolver todas as doenças". A meta é ambiciosa e, francamente, soa irrealista. Antes de descartá-la, porém, vale entender o que está por trás dela e por que os jornalistas do Verge já estão cobrando o Google pelo que disse.

O que foi mostrado no I/O

O Google DeepMind apresentou um pacote completo de ferramentas para acelerar a pesquisa biológica. As três principais são o Gemini for Science (uma versão especializada do LLM principal da empresa para tarefas científicas), o AlphaFold 3 (sistema de previsão da estrutura de proteínas) e o inédito AlphaGenome.

O AlphaFold 3 consegue prever com alta precisão a estrutura tridimensional das proteínas e suas interações com outras moléculas. Isso é crucial, porque o formato de uma proteína muitas vezes determina se um medicamento será eficaz.

O AlphaGenome amplia essa abordagem: agora o sistema pode trabalhar com dados genômicos e prever fatores genéticos de doenças.

O Gemini for Science integra os dois sistemas em uma única plataforma. Trata-se de um LLM que "entende" o contexto da pesquisa biológica, consegue ler artigos científicos e fazer recomendações dentro de uma interface já familiar aos cientistas.

Como isso funciona na prática

Um cenário hipotético: o pesquisador envia ao Gemini for Science uma pergunta como "desenvolver um composto antiviral para o vírus X". O sistema analisa os fatos conhecidos sobre o vírus, sugere estruturas moleculares candidatas, usa o AlphaFold 3 para prever como essas moléculas interagem com as proteínas virais e estima os prováveis efeitos colaterais.

No papel, parece um salto de produtividade. Antes, uma busca desse tipo levava meses. Agora, pode levar horas ou dias.

Mas há um porém: o Google fala em "aceleração", mas não informa prazos concretos. Quantos por cento mais rápido? A que custo? Isso fica de fora.

Por que há mais céticos do que entusiastas

Veja por que "resolver todas as doenças" é, para dizer o mínimo, uma afirmação muito ousada:

• Da molécula ao medicamento, há mais de uma etapa. Mesmo que a IA preveja a molécula perfeitamente, ela precisa ser sintetizada em laboratório, testada em culturas de células, depois em animais, depois em humanos (ensaios clínicos — 3 fases, 5-10 anos) e só então receber a aprovação do órgão regulador.
• "Todas as doenças" não são 100 enfermidades, são mais de 10 000. Algumas têm origem genética (o terreno da IA), mas outras são infecciosas, autoimunes, psiquiátricas ou ambientais. Nesses casos, a IA de biologia molecular ajuda pouco.
• A história da IA está cheia de promessas não cumpridas. O Deep Blue prometia uma revolução na análise de dados. O IBM Watson prometia uma revolução na medicina. A realidade costuma ser mais complicada do que os slides de marketing.
• Os reguladores desaceleram o processo de propósito. A FDA exige comprovação de segurança — não por capricho, e sim para proteger os pacientes. A sugestão da IA é apenas o primeiro passo de um caminho muito longo.

"A distância entre grandes promessas e resultados na clínica real é enorme", escrevem os editores do

Verge, e eles não estão sozinhos nessa opinião.

O que isso significa de fato

As ferramentas do Google DeepMind são realmente úteis e podem acelerar fases específicas do desenvolvimento de medicamentos, sobretudo a etapa de busca de candidatos.

Mas "resolver todas as doenças" não é um problema tecnológico. A questão envolve a complexidade da biologia, o rigor das exigências regulatórias e quanto dinheiro investir em cada frente.

A IA será uma boa assistente para os cientistas. Mas não fará milagres. As promessas de Hassabis provavelmente são só um discurso para o Google I/O. Um discurso útil, mas convém manter os pés no chão.