Por que a indústria farmacêutica de IA está a reavaliar o valor do desenvolvimento clínico posterior?

Em 18 de março, a Deep Intelligent Shine, uma empresa de IA farmacêutica, anunciou a conclusão de uma rodada de financiamento Série D de quase 200 milhões de dólares, realizando várias captações intensas em apenas três meses, adquirindo rapidamente mais de uma centena de milhões de yuan. A densidade e o ritmo dessas captações são raros na indústria.

Atualmente, o mercado de capitais combina entusiasmo com racionalidade, onde a certeza do retorno substitui a narrativa tecnológica, atraindo o olhar dos investidores. A IA na indústria farmacêutica tem emergido com força, com empresas como Jing Tai Technology e Yingxi Intelligent listadas na bolsa, além da parceria entre Lilly e Nvidia na construção de uma “fábrica de IA farmacêutica”, elevando o setor a um novo patamar.

Fundada em 2017, a Deep Intelligent Shine mantém um perfil discreto em comparação com seus pares mais brilhantes. Seu foco é uma área relativamente pouco explorada e desafiadora: o desenvolvimento clínico e a geração de evidências, que representam o núcleo mais difícil na pesquisa e desenvolvimento de medicamentos.

O desenvolvimento de medicamentos pode ser dividido em descoberta, fases pré-clínicas, ensaios clínicos e submissões regulatórias. Nos últimos anos, a narrativa mais popular concentra-se na fase inicial de descoberta, como o uso de IA para prever estruturas de proteínas, desenhar moléculas e selecionar alvos.

A Deep Intelligent Shine, por outro lado, concentra-se na fase final, na cadeia de evidências dos ensaios clínicos. Desde estratégias clínicas, desenho de protocolos, execução de centros de pesquisa, até EDC e gestão de dados, programação clínica/estatística, redação médica, farmacovigilância e suporte regulatório, ela constrói uma plataforma integrada impulsionada por IA, consolidando uma capacidade de entrega estável através de muitos projetos reais.

Essa plataforma não é sustentada por uma única ferramenta pontual, mas por um sistema de múltiplos agentes inteligentes semelhantes ao cérebro humano. Através de decomposição de tarefas, colaboração de papéis, feedbacks de validação e autoevolução recursiva, ela organiza fluxos de trabalho altamente complexos, interdepartamentais e com restrições rigorosas, possibilitando a sistematização de processos que antes dependiam exclusivamente de especialistas humanos.

É esse sistema de agentes inteligentes que torna a Deep Intelligent Shine uma entidade rara em um setor em alta, atraindo atenção tardia.

Para a indústria de IA farmacêutica, isso significa que o foco está mudando do front-end para o back-end, representando um avanço significativo na busca pelo bem-estar humano. E essa mudança levou quase uma década para acontecer.

Revertendo a tendência

A primeira onda de impacto da IA na indústria farmacêutica ocorreu antes mesmo do nascimento do Transformer.

No mesmo ano em que o AlphaGo venceu Lee Sedol, o Google lançou o sistema GNMT (Google Neural Machine Translation) para tradução automática, inicialmente para melhorar seu serviço de tradução online, mas que acabou resolvendo um problema difícil na indústria farmacêutica: a tradução de materiais médicos.

Em 2016, o Google lançou o modelo GNMT, que melhorou significativamente a precisão das traduções.

Desde protocolos de ensaios clínicos, consentimentos informados, manuais de investigadores, até relatórios de casos, relatórios de estudos clínicos e documentos regulatórios, a documentação necessária para registrar um novo medicamento pode encher vários caminhões pequenos. Exige-se precisão terminológica absoluta e compreensão real do desenho do estudo, indicações, endpoints, hipóteses estatísticas e o contexto regulatório.

Para a indústria farmacêutica, o desafio nunca foi apenas traduzir uma frase corretamente, mas alinhar lógica médica, estatística, execução e regulamentação ao longo de toda a cadeia. Qualquer desvio em termos, endpoints, hipóteses ou critérios de dados pode ser amplificado nas etapas seguintes, levando a custos de bilhões de dólares e uma margem de erro extremamente baixa.

A chegada do GNMT trouxe a tradução para o campo da IA na pesquisa de medicamentos, tornando-se um ponto de entrada para a participação da IA no desenvolvimento de fármacos.

De certa forma, o desenvolvimento de medicamentos é uma atividade altamente baseada em conhecimento, que se manifesta principalmente por textos e dados. Expandindo essa lógica, o objetivo final é resolver o problema da “expressão linguística” de todo o processo de pesquisa e desenvolvimento de medicamentos.

Um novo medicamento, desde o laboratório até a aprovação, não é apenas um molécula, mas um conjunto de evidências, incluindo protocolos de ensaio, manuais de investigadores, consentimentos informados, planos de análise estatística, relatórios de estudos clínicos, documentos regulatórios, formando uma linha de produção composta por textos, dados e responsabilidades.

Muitos medicamentos fracassam na véspera do lançamento não por falta de valor clínico, mas por falhas na “linha de produção”, onde perdas de informação ou quebras de lógica na fase de “linguagem” impedem a conversão de dados de pesquisa em evidências científicas reconhecidas pelos reguladores, ocultando ou distorcendo seu valor científico.

A Deep Intelligent Shine, desde cedo, concluiu que: no setor farmacêutico, compreender é mais difícil do que gerar, e a colaboração na geração é ainda mais importante. Só ao estabelecer uma compreensão estável, validação e colaboração em ambientes de alta restrição, é que se pode avançar para a criação e decisão.

Por isso, desde sua fundação, a empresa traçou uma estratégia de desenvolvimento: começar pela tradução, expandir para redação médica, gestão de dados, programação estatística e operações clínicas, até formar uma linha de produção completa.

A lógica é que a tradução, com seu sistema de referências e critérios de acerto, é a forma mais direta de validar a compreensão do modelo. Como ponto de partida, ela permite absorver as camadas intermediárias de planejamento, raciocínio e execução.

Hoje, ao refletir, essa trajetória foi altamente visionária, embora na época parecesse uma “reversão” na tendência do setor.

Por um lado, as capacidades dos modelos ainda eram imaturas, e o GNMT, por exemplo, ainda dependia de RNNs sequenciais, com baixa eficiência computacional. Embora os Transformers tenham resolvido esse problema e o pré-treinamento tenha se popularizado, eles não mudaram a essência da IA como uma ferramenta auxiliar, longe de substituir profissionais especializados.

Por outro lado, a indústria farmacêutica exige um profundo conhecimento técnico.

Por exemplo, na elaboração de protocolos de ensaios clínicos, a construção do esqueleto do documento com base em vastas literaturas e dados históricos é apenas o primeiro passo. Depois, uma equipe de especialistas em medicina, estatística e clínica realiza uma intervenção profunda.

Um protocolo envolve múltiplos departamentos — medicina, farmacologia clínica, estatística, programação, gestão de dados, farmacovigilância — e pequenas alterações podem exigir mudanças radicais. Nos primeiros anos, a Deep Intelligent Shine enfrentou não uma automação simples, mas processos de validação e liberação repetidos em projetos reais.

Ao mesmo tempo, a chegada do AlphaFold revelou o poder avassalador da IA na indústria farmacêutica.

AlphaFold, uma arquitetura neural para previsão de estruturas de proteínas, resolve o maior desafio do desenvolvimento de medicamentos: a análise de estruturas de alvos, que antes levava anos e custava milhões, agora pode ser feita em minutos.

A partir daí, “IA na concepção de moléculas” tornou-se uma direção dominante, com grandes farmacêuticas e startups entrando na corrida, enquanto a descoberta de novos medicamentos na fase inicial virou o centro de atenção do capital.

A Deep Intelligent Shine, porém, permanece na fase de back-end, trabalhando silenciosamente na concepção clínica, enfrentando desafios repetidos em projetos reais, acumulando know-how que alimenta suas tecnologias e consolidando algoritmos centrais do sistema.

Logo, uma crise de grande impacto colocou a Deep Intelligent Shine e seu foco no desenvolvimento clínico na linha de frente.

Reavaliação do valor

Em 2023, os primeiros medicamentos projetados por IA enfrentaram fracassos na fase clínica.

Primeiro, a startup europeia BenevolentAI anunciou o fracasso de seu pipeline principal, BEN-2293, na fase II, levando à queda de suas ações e a cortes de pessoal; depois, a startup Exscientia, referência na “design de moléculas por IA”, interrompeu o desenvolvimento de seu candidato a tumor, EXS-21546 (antagonista do receptor A2A).

Esses golpes de empresas de destaque destruíram a narrativa de que “IA gera novos medicamentos com um clique”.

Tanto a indústria quanto o mercado perceberam que o caminho do design de moléculas até a chegada ao mercado é mais longo do que se imaginava.

Desde o desenho de ensaios até a recrutação, passando pela qualidade dos dados, interpretação estatística, comunicação regulatória e submissões, qualquer erro pode comprometer tudo, tornando-se um processo de “desafios” sem volta. O produto final entregue aos reguladores é uma cadeia de textos, dados e evidências explicáveis.

O capital deixou de investir apenas em poder computacional e quantidade de moléculas, passando a questionar a efetividade dos dados na fase clínica. Assim, a estratégia de “foco em moléculas, menos em ensaios clínicos” foi reavaliada.

Empresas como a Deep Intelligent Shine, especializadas na fase clínica, passaram a atrair atenção de investidores.

Hoje, a Deep Intelligent Shine superou a fase de desenvolvimento tecnológico e de captação, tornando-se autossuficiente.

Seguindo seu plano inicial, ela expandiu suas capacidades do texto e redação para gestão de dados, programação clínica/estatística, operações de centros de pesquisa e suporte regulatório, formando uma linha de produção completa para ensaios clínicos.

Seus negócios se estendem para China, Japão, EUA, Austrália, Singapura e Sudeste Asiático, com uma forte rede de centros de pesquisa no Japão, criando vantagens locais de execução.

Tecnicamente, a empresa não se limita a acompanhar os modelos mais recentes, mas reestrutura seu sistema com foco na alta restrição e baixa tolerância a erros do setor farmacêutico.

A maior transformação ocorreu na transição do modelo 2.0 para o 3.0, em 2019.

Na época, os grandes modelos de linguagem (LLMs) começavam a se popularizar, mas a Deep Intelligent Shine percebeu cedo que o problema não era apenas a escrita “parecida com a humana”, mas a tendência de “justificar” suas respostas de forma convincente.

Os LLMs treinam para prever a próxima palavra com base em vastos dados, que na maioria das vezes vêm de experiências passadas, levando a uma geração de textos que seguem lógica de experiência, não necessariamente fatos reais.

Na indústria farmacêutica, essa ilusão é um problema de fundo, não de experiência.

Uma citação ou dado fictício pode contaminar toda a cadeia de pesquisa, uma informação de segurança falsa pode causar danos graves ou mortes, e uma “ilusão” bem embalada pode zerar bilhões de dólares investidos ao longo de anos.

Como uma das poucas pioneiras no setor, a Deep Intelligent Shine percebeu isso anos antes do consenso atual sobre modelos grandes. Isso significou que, sem padrões industriais estabelecidos ou ferramentas externas prontas, ela precisou reinventar soluções do zero.

Foi nesse momento que a empresa mudou seu foco de “como fazer um modelo mais forte” para “como criar um sistema mais controlável, colaborativo e capaz de lidar com fluxos de trabalho complexos na pesquisa clínica”.

A solução não foi apostar em um único modelo monolítico maior, mas “desmontar o cérebro”.

“Desmontar o cérebro” não significa apenas dividir um modelo em módulos, mas decompor tarefas complexas em múltiplos agentes inteligentes com limites de capacidade bem definidos, responsáveis por decisão, planejamento, busca, redação, programação, revisão e validação, comunicando-se por conexões semelhantes a sinapses, verificando e equilibrando-se mutuamente.

O núcleo dessa arquitetura não é apenas a colaboração de múltiplos papéis, mas uma abordagem semelhante ao funcionamento do cérebro humano. Como uma rede neural, o sistema não fornece uma resposta linear, mas revisa continuamente suas etapas, ajusta resultados intermediários e reestrutura tarefas. Se alguma etapa não atender às restrições, ele inicia novas simulações e validações até chegar a uma solução viável.

Em outras palavras, ele não possui apenas capacidade de geração, mas de reflexão recursiva, correção e autoevolução. Não é uma “resposta única”, mas um sistema de trabalho que pensa, corrige e se aproxima continuamente da melhor solução.

Hoje, essa abordagem se assemelha ao conceito de agentes autônomos (Agent).

Em 2023, a Microsoft convidou a Deep Intelligent Shine para uma conferência de desenvolvedores fechada, apresentando o framework de agentes.

Para a empresa, isso foi uma espécie de “nomeação externa”: seu sistema de colaboração de pequenos modelos evoluiu para um verdadeiro sistema de múltiplos agentes.

A partir daí, o sistema de múltiplos agentes da Deep Intelligent Shine começou a se consolidar. Não é apenas um motor de fluxo de trabalho, mas uma “mente biónica” composta por múltiplos agentes de alta precisão, capazes de organizar tarefas, refletir, validar e evoluir recursivamente durante a execução.

Assim, a empresa mostra sua verdadeira força.

A elevação do papel humano

Em 2025, uma colaboração com a empresa japonesa de medicamentos inovadores Immunorock colocou a Deep Intelligent Shine sob os holofotes.

Como uma das três maiores indústrias farmacêuticas globais, o Japão é conhecido não só por sua capacidade de pesquisa, mas também pelos rigorosos padrões de aprovação da Agência de Medicamentos do Japão (PMDA). A parceria com a Immunorock conseguiu uma aprovação na primeira tentativa, sem retrabalho, na fase clínica, graças ao sistema de múltiplos agentes da Deep Intelligent Shine, que integrou informações, planejou rotas e realizou simulações digitais de forma recursiva, identificando previamente possíveis falhas de projeto e ajudando a equipe a fazer ajustes antes da finalização do protocolo.

Essa mudança não foi apenas na velocidade de redação, mas na antecipação de problemas que normalmente surgiriam na execução, transferindo-os para a fase de projeto.

Importante notar que, devido às exigências regulatórias, ética médica e responsabilidade, todas as entregas finais ainda passam por revisão, assinatura e liberação de profissionais qualificados.

A Immunorock é apenas um dos muitos casos de sucesso da Deep Intelligent Shine, demonstrando que tarefas tradicionalmente dependentes de experiência e colaboração humana, como o desenho de protocolos clínicos, podem ser sistematizadas, validadas recursivamente e entregues em escala.

O desenvolvimento clínico tradicional é uma operação de alto custo, baseada em uma “guerra de pessoas”: uma equipe elabora, outra revisa, ajusta hipóteses estatísticas, estrutura dados, verifica conformidade regulatória, e o ciclo se repete. O tempo é consumido em comunicação, retrabalho e confirmações.

Quando a IA consegue realizar de forma estável a decomposição de tarefas, geração de conteúdo, autoverificação e validação de restrições, esse processo evolui de “produção humana com auxílio de máquinas” para “geração de máquinas com validação por sistemas e assinatura de especialistas”.

A IA deixa de ser apenas uma ferramenta de previsão ou classificação, tornando-se um sistema que organiza tarefas em torno de objetivos.

O valor do sistema de múltiplos agentes não está apenas em gerar uma resposta única, mas em dividir tarefas, planejar rotas, propor hipóteses, validar resultados e otimizar continuamente, formando um ciclo fechado de melhorias.

Antes, humanos escreviam etapas, e o sistema executava; agora, humanos definem objetivos claros, e o sistema distribui papéis, utiliza ferramentas, verifica restrições e gera saídas auditáveis.

O papel do humano, portanto, é elevado, não substituído, criando valor de forma mais eficiente e sustentável.

No sistema de agentes, o papel do humano é elevado

A indústria farmacêutica é uma área que exige assinatura de profissionais qualificados, com responsabilidade e cadeia de credibilidade. Especialistas em medicina, estatística, farmacovigilância, gestão de dados continuam sendo os últimos responsáveis. Mas a IA permite que esses especialistas se libertem de tarefas repetitivas, dedicando-se a julgamentos críticos, limites e responsabilidades finais.

Quando esse ciclo de “objetivo—geração—validação—autoevolução” funciona, ele não se limita a ensaios clínicos, mas também fundamenta uma nova fronteira na ciência dos materiais.

Se abstrairmos a questão em níveis mais profundos, veremos que áreas distintas como medicamentos, pesticidas, materiais semicondutores, baterias e aços especiais, na essência, realizam tarefas semelhantes: buscar soluções ótimas sob restrições claras, convergindo por validação contínua. A diferença está nos conjuntos de restrições e métodos de validação.

Deep Intelligent Shine na pesquisa de materiais

Em março deste ano, a empresa firmou parceria estratégica com a gigante de agroquímicos verdes, Taihe Co., usando sua arquitetura de múltiplos agentes e autoevolução recursiva para acelerar o desenvolvimento de novos pesticidas.

Seja na inovação de medicamentos ou de pesticidas, o objetivo é encontrar as melhores combinações no espaço químico.

A capacidade de seus agentes de explorar, buscar e validar no vasto espaço químico permite descobrir novas estruturas moleculares e mecanismos de ação que seriam inacessíveis aos métodos tradicionais. Essa tecnologia, já comprovada na farmacêutica, é uma aplicação de “redução de dimensão” no setor de agroquímicos.

Essa transferência tecnológica amplia o potencial de avaliação da Deep Intelligent Shine, atraindo mais capital.

Os investidores das últimas rodadas incluem não só fundos de ponta como Sequoia China e New Diligence, mas também fundos como Dinghui Baifu, Xinchen Capital, Jinyi Capital e Kaita Capital, combinando fundos globais de primeira linha com recursos industriais, formando um time de alto nível.

O foco do capital reflete uma tendência: o mercado está reavaliando as verdadeiras capacidades escassas das empresas de IA farmacêutica, que não são apenas contar histórias tecnológicas, mas entregar trabalhos complexos de forma estável.

De certa forma, a Deep Intelligent Shine não é uma CRO tradicional nem uma cópia de agentes de consumo.

Sua maior vantagem competitiva não é uma ferramenta pontual ou um resultado treinado apenas com dados, mas uma metodologia, know-how acumulado e um sistema de múltiplos agentes que integra estratégias clínicas, execução de centros, gestão de dados, programação clínica/estatística, redação médica e submissões regulatórias — uma verdadeira “mente biónica”.

Essa é a sua maior e mais difícil vantagem competitiva.

Palavras finais

Em 2024, o Prêmio Nobel de Química será dividido entre o “pai” do design de proteínas, David Baker, e os desenvolvedores do AlphaFold, Demis Hassabis e John Jumper.

A premiação de dois gigantes da IA na área de ciências da vida é vista como uma “reconhecimento oficial” do papel da computação na evolução da biologia, deixando de ser uma ferramenta auxiliar para se tornar um motor de transformação industrial.

Essa evolução está se expandindo do front-end de descoberta de medicamentos para todo o processo de pesquisa.

Para a indústria farmacêutica, a próxima escassez não será apenas a capacidade de “encontrar uma resposta”, mas de concluir uma tarefa e entregar toda a evidência de forma completa.

De fazer a máquina aprender a ver moléculas a organizar ensaios clínicos como um cérebro, conectando execução, gestão de dados, programação clínica e submissões, o valor da IA está sendo redesenhado.

E, nesta jornada que antes parecia solitária, a Deep Intelligent Shine já lidera o caminho.