IA descobrindo medicamentos em 2026: o experimento da Anthropic com 354 proteínas

Em 18 de agosto de 2026, a Anthropic publicou um conjunto de resultados que chamou a atenção da comunidade científica: os modelos Claude Opus 4.8 e Claude Mythos Preview, operando de forma autônoma por 24 a 48 horas, projetaram 1.320 proteínas candidatas, das quais 354 foram confirmadas em testes de laboratório como capazes de se ligar a alvos ligados a doenças. A taxa de sucesso do experimento — 26,8% no modo geral, chegando a 35,1% quando o modelo se concentra em um único alvo — ficou bem acima da média relatada pela indústria, que costuma ficar entre 10% e 15% para campanhas de design de novo de proteínas.

A manchete é forte, mas o que ela realmente significa para a pesquisa farmacêutica é mais sutil. Este post explica o experimento, separa o que ele prova do que ele não prova, e olha o impacto possível para a ciência brasileira.

O que a Anthropic anunciou em agosto de 2026

O anúncio faz parte do programa Claude Science, uma plataforma da Anthropic voltada para pesquisa em ciências da vida. Para este experimento, a empresa montou um cenário de teste deliberadamente difícil: deu ao Claude acesso a literatura científica, à internet, a recursos de hardware e a modelos especializados em design, sequenciamento e dobramento de proteínas — e pediu que ele conduzisse, sozinho, uma campanha completa de design de proteínas contra 16 alvos clinicamente relevantes, sem nenhum humano tomando decisões de design.

Os alvos incluíam proteínas associadas a câncer (PD-L1, EGFR), inflamação (TNFα, alvo do Humira) e Alzheimer (TREM2), entre outros. O modelo não recebeu informações sobre o epitopo, o scaffold ou a sequência que deveria usar: ele teve que pesquisar cada alvo, escolher a região onde atacar, rodar modelos abertos de design e previsão de estrutura, otimizar candidatos in silico e entregar 30 designs ranqueados por alvo.

Depois que o Claude terminou o trabalho computacional, dois laboratórios independentes — Adaptyv Bio e Twist Bioscience — sintetizaram fisicamente todas as proteínas propostas e testaram se elas realmente se ligavam aos alvos. Esse desenho de teste cego é importante: os laboratórios não sabiam qual modelo tinha gerado cada sequência, nem qual era a campanha de origem, o que reduz o risco de viés de confirmação.

Resultados principais, segundo o paper publicado pela Anthropic e o case study da Adaptyv Bio:

• 15 alvos analisáveis (um deles, GDF-8 maduro, foi excluído por problemas de medição).
• 1.320 designs sintetizados e testados.
• 354 proteínas confirmadas como binders — 26,8% de hit rate global.
• 14 dos 15 alvos com pelo menos um binder confirmado.
• 95% dos designs se expressaram corretamente nas células usadas.
• Para o alvo RBX1, o Claude Mythos Preview atingiu 40% de sucesso contra 3,7% dos participantes humanos em uma competição anterior da própria Adaptyv.

Fontes primárias: Anthropic — "How Claude is accelerating protein design", Adaptyv Bio — case study, paper no arXiv (alphaxiv).

Como funciona o design de proteínas com IA (em linguagem simples)

Antes de falar do que mudou, vale entender o problema. Uma proteína é uma cadeia de aminoácidos que se dobra em uma forma tridimensional específica. Essa forma é o que permite à proteína se encaixar em outras moléculas — como uma chave em uma fechadura. No desenvolvimento de medicamentos, a "fechadura" costuma ser uma proteína humana envolvida em uma doença, e a "chave" que queremos desenhar é uma nova proteína (ou um fragmento, como um anticorpo) que se encaixe nela com força suficiente para bloquear, modular ou marcar seu comportamento.

O design de novo de proteínas começa sem ponto de partida. O cientista precisa imaginar uma sequência de aminoácidos que, ao se dobrar, vai gerar uma forma compatível com o alvo. O espaço de busca é gigantesco — uma proteína de 100 aminoácidos tem mais combinações possíveis do que átomos no universo observável. Ferramentas computacionais existem há décadas, mas cada candidato gerado precisa ser sintetizado em laboratório e testado, o que é caro e demorado.

O que o Claude fez de diferente foi tratar esse fluxo inteiro como uma campanha autônoma. Ele pesquisou a literatura sobre cada alvo, escolheu epitopos, instalou e executou modelos abertos como AlphaFold e RoseTTAFold para prever estruturas, otimizou candidatos e ranqueou os melhores — tudo em 24 a 48 horas, sem intervenção humana nas decisões de design. A equipe da Anthropic só supervisionou a infraestrutura e enviou os designs para os laboratórios.

Os números que importam: por que 26,8% e 35,1% são grandes

A média histórica de 10% a 15% que a Anthropic cita como "típica da indústria" não é uma métrica única universal — ela varia por tipo de alvo, técnica, scaffold e dificuldade. Mas para fins de comparação, é a referência que o próprio campo usa, e é o que a Adaptyv Bio reporta em suas competições públicas. Quando o Claude atinge 26,8% em média e 35,1% no modo single-target, ele está mais que dobrando a eficiência da triagem inicial.

Há três números que merecem destaque:

1. Top-ranked designs: dos designs que o próprio Claude classificou como o melhor candidato de cada alvo, 49% se ligaram. Isso sugere que o ranqueamento do modelo é informativo — ele não está apenas gerando mais candidatos, está identificando quais têm maior chance de funcionar.
2. RBX1: o Claude alcançou 40% de sucesso contra esse alvo, contra 3,7% dos participantes humanos da competição da Adaptyv. Esse é o contraste mais marcante do experimento.
3. 95% de expressão: das 1.320 proteínas testadas, 95% se expressaram corretamente. Há três anos, esse número seria destaque por si só, e mostra que ferramentas de IA para design de proteínas amadureceram em ritmo acelerado.

Mas também há um número que não pode ser ignorado: MBP, um dos 15 alvos, gerou zero binders. O Claude falhou completamente nesse caso. Não é um detalhe menor — significa que a IA não substitui o cientista quando o alvo tem características estruturais particularmente difíceis. O experimento mostra capacidade, não onisciência.

O que esse resultado NÃO prova

Aqui é onde a honestidade fica importante. O experimento da Anthropic é um marco de engenharia, mas precisa ser lido com cuidado. O que ele demonstra:

• Que um modelo de linguagem de uso geral, orquestrado com ferramentas abertas, pode automatizar uma campanha de design de proteínas inteira.
• Que a taxa de confirmação em laboratório in vitro dos designs é superior à média da indústria.
• Que laboratórios independentes conseguem reproduzir os resultados cegamente.

O que ele não demonstra:

• Não significa que o Claude descobriu um novo medicamento. Um binder que se liga a um alvo é o começo do caminho, não o fim. Entre o binder e um remédio existe ensaio de segurança, farmacocinética, testes em animais, ensaios clínicos em humanos, aprovação regulatória. Esse pipeline pode levar de 5 a 15 anos.
• Não prova que os binders são seguros. Nada no experimento mediu toxicidade, imunogenicidade ou efeitos fora do alvo.
• Não testou eficácia clínica. Os testes são in vitro (em placas de laboratório), não em modelos animais ou humanos.
• Não substitui humanos em decisões difíceis. No caso de MBP, o Claude não encontrou nenhum binder. Para alvos com características estruturais especialmente desafiadoras, a experiência humana ainda é indispensável.

É saudável tratar esses resultados como prova de que a parte inicial do funil de triagem ficou muito mais eficiente, e não como evidência de que "a IA vai inventar o remédio do câncer amanhã". Cobertura recente em português, como a da Terra (22/08/2026), segue a mesma linha de cautela.

O que muda para a pesquisa no Brasil

A pesquisa biomédica brasileira tem grupos fortes em design de proteínas, bioinformática estrutural e biotecnologia aplicada — USP, UFMG, UFRJ, Fiocruz, INCTs e várias startups do ecossistema. Esses grupos podem usar os prompts e os modelos computacionais que a Anthropic publicou junto com o paper (a empresa prometeu liberar o material como benchmark para a área) para acelerar suas próprias campanhas.

Há, porém, um gargalo real. Modelos como Claude Mythos Preview e Opus 4.8 rodam via API nos servidores da Anthropic, e o paper deixa claro que essa capacidade foi restrita justamente por preocupações de biossegurança — risco de uso dual. Para pesquisa acadêmica no Brasil, isso significa que o uso depende de termos de serviço e de políticas de acesso que ainda estão sendo definidos. Iniciativas como a do supercomputador brasileiro anunciado em 20 de agosto de 2026 (R$ 1,06 bi para um equipamento de 7.200 petaflops no Rio Grande do Norte, previsto para operar em 2027) podem abrir caminho para que parte desse trabalho rode em infraestrutura nacional, mas isso ainda é horizonte, não realidade.

Outro ponto de atenção: a soberania científica nesse campo ainda depende, em grande parte, de modelos treinados fora do Brasil. A nova parceria entre a RNP, Huawei e iFlytek para o supercomputador do Rio de Janeiro também mira o treinamento de modelos de linguagem em português — o que pode, no médio prazo, abrir alternativas a modelos estrangeiros para pesquisa biomédica local.

O que vem a seguir

O campo está se movendo rápido. Em 2025 e 2026, vimos AlphaFold 3 (Google DeepMind), ESM-3 (EvolutionaryScale), RFdiffusion e RoseTTAFold-AA do Baker Lab, e agora a campanha autônoma da Anthropic. Laboratórios farmacêuticos como a Isomorphic Labs (spin-off da Alphabet) e empresas de biotecnologia chinesas e europeias estão integrando essas ferramentas em seus próprios pipelines.

Algumas perguntas abertas para acompanhar nos próximos meses:

• A taxa de 26,8% se sustenta em campanhas contra alvos mais difíceis do que os 15 escolhidos pela Anthropic?
• Os modelos começam a ser usados para alvos onde humanos têm historicamente baixa taxa de sucesso, validando utilidade em casos reais?
• Como órgãos reguladores (FDA, EMA, Anvisa) vão tratar candidatos in silico que foram desenhados por IA desde o início?

O experimento de agosto de 2026 não responde nenhuma dessas perguntas sozinho. Mas ele é o tipo de evidência que move o campo — e que, em alguns anos, pode estar nos bastidores de um medicamento que chegou à farmácia mais rápido porque uma parte do trabalho foi feita por uma IA em 48 horas, em vez de semanas por um time humano.

Considerações finais

O caso Claude Science não é "IA descobriu o remédio". É "IA automatizou e acelerou a triagem inicial de candidatos a proteínas terapêuticas, com taxas de confirmação em laboratório acima da média da indústria". As duas frases são verdadeiras, mas dizem coisas muito diferentes. Para quem trabalha com pesquisa, com produto digital ou com estratégia em healthtech, o segundo enquadramento é o que importa.

O que dá para tirar de prático:

• Pesquisadores: vale estudar os prompts e protocolos liberados pela Anthropic. Mesmo sem acesso aos modelos mais poderosos, é possível reproduzir parte do pipeline com modelos abertos.
• Empresas de biotecnologia: a parte inicial do funil de discovery virou commodity computacional. O diferencial competitivo vai se deslocar para validação experimental, ensaios pré-clínicos e capacidade de interpretar resultados.
• Profissionais de tecnologia em saúde: entender o que é design de novo de proteínas, o que é um binder e o que é um ensaio clínico virou parte do vocabulário básico. Não é mais um tema só para PhDs em biologia estrutural.

O blog GetBio continua acompanhando os movimentos que estão remodelando a fronteira entre IA e ciências da vida. Para mais análises sobre lançamentos de modelos, regulação e casos de uso em empresas brasileiras, volte à página inicial do blog e confira os outros posts da série.

Fontes citadas neste post:

• Anthropic (oficial) — How Claude is accelerating protein design and analytical chemistry (publicado em 18/08/2026)
• Adaptyv Bio (laboratório independente) — Case study: Benchmarking Claude's protein designs in the wet lab
• arXiv (alphaxiv) — Autonomous De Novo Protein Binder Design with Claude
• The Next Web — Anthropic says Claude designed working protein binders
• Terra (Brasil) — A Anthropic encarregou sua IA de gerar proteínas durante 48 horas; ela alcançou uma taxa de sucesso de 35%, em comparação com os 15% do setor (22/08/2026)