A Isomorphic Labs, o spin-off da DeepMind nascido do avanço do AlphaFold, está levando seu primeiro fármaco contra o câncer desenhado por IA para ensaios clínicos humanos de Fase 1. O CEO Demis Hassabis confirmou o cronograma no Fórum Econômico Mundial em Davos: a Fase 1 começa no início de 2026 com programas adicionais entrando em ensaios até o final do ano. O pipeline inclui 17 programas ativos cobrindo oncologia, imunologia e doenças cardiovasculares. Se os ensaios avançarem, esta será a primeira vez que moléculas desenhadas de ponta a ponta por IA entram no processo de teste regulatório que controla farmacêuticos de uso humano. Toda outra alegação de "descoberta de fármacos por IA" até hoje tem sido farma convencional assistido por IA; o pitch da Isomorphic é que as moléculas são desenhadas pelo modelo, não meramente filtradas por ele.
O habilitador técnico é o Isomorphic Drug Design Engine (IsoDDE), anunciado em fevereiro de 2026. Em benchmarks de generalização de previsão de estrutura proteína-ligante, o IsoDDE aproximadamente dobra o desempenho do AlphaFold 3. Ele prevê afinidades de ligação de pequenas moléculas com maior precisão do que métodos baseados em física enquanto roda a uma fração do custo computacional e tempo de parede. Criticamente, identifica novos bolsões de ligação em proteínas alvo usando apenas a sequência de aminoácidos, significando que o modelo pode propor abordagens terapêuticas contra alvos onde nenhum dado estrutural prévio existe. Os workflows de química medicinal clássica dependiam de estruturas cristalinas, bibliotecas de fragmentos, e otimização iterativa de laboratório úmido que podia rodar cinco a sete anos antes de um composto líder. IsoDDE comprime as fases de estrutura-e-desenho em um pipeline que roda em semanas. Se essa compressão temporal sobrevive ao desenvolvimento de fármacos de grau regulatório é o que a Fase 1 vai começar a testar.
A estrutura comercial importa tanto quanto a técnica. A Isomorphic tem parcerias estratégicas com Eli Lilly e Novartis totalizando aproximadamente US$3 bilhões em pagamentos potenciais de marcos, um tamanho de acordo que valida a credibilidade do modelo com os dois maiores atores farma em oncologia. A escolha comercial de licenciar ao invés de internalizar completamente o desenvolvimento farma reflete um realismo que a Isomorphic parece manter e que a DeepMind endossa publicamente: o modelo é a parte difícil, mas levar um ensaio de câncer através de IND, Fase 1, Fase 2 e Fase 3 é uma disciplina operacional diferente que parceiros big farma já possuem. Essa divisão do trabalho é a aposta estrutural. Se funcionar, o desenho de fármacos por IA se torna um input de plataforma no desenvolvimento farma convencional ao invés de uma indústria paralela.
Para builders fora da farma, a história da Isomorphic é um caso de borda instrutivo para o que a IA adjacente a modelos de fundação pode fazer quando o domínio alvo tem dados limpos e estruturados (sequências e estruturas proteicas) e funções objetivo não ambíguas (afinidade de ligação, seletividade, propriedades farmacocinéticas). Desenho de fármacos não é linguagem natural; é um problema específico de previsão estruturada que recompensa escala de uma forma que acaba sendo muito favorável à linhagem AlphaFold. Isso não é automaticamente generalizável. Um builder tentando aplicar técnicas similares a domínios menos estruturados — pesquisa operacional, raciocínio jurídico, trabalho criativo — não deveria assumir que a trajetória Isomorphic é o modelo. O que a história da Isomorphic prova é que quando a estrutura do problema está certa, modelos especializados superam a intuição científica em escala humana a uma ordem de magnitude de custo menor. A curva de custo histórica da indústria farma de US$2B e 10 anos por fármaco está agora sendo ativamente testada. Se a Fase 1 sair limpa, as implicações a jusante para preços de medicamentos, pesquisa de doenças raras, e equidade de saúde global são significativas. Se falhar, a indústria ganha um ponto de dado útil sobre onde o desenho por IA ainda precisa de camadas de validação. Ambos os resultados são informativos. O ensaio ainda não começou; a resposta honesta editorial é que todos deveríamos ver como os dados se parecem.