IA corta análise de Alzheimer de meses a minutos e acelera avanço

Inteligência Artificial

Consórcio internacional utiliza IA para acelerar pesquisas e otimizar o tempo de análise em Alzheimer.

Leia também: Ex-Deepmind cria IA que prova cada resposta e reduz erros

Um consórcio internacional de cientistas está usando inteligência artificial para virar a chave da pesquisa sobre Alzheimer: ferramentas open source que rodam em supercomputadores da NVIDIA já reduzem de meses para minutos a análise de dados e começam a destravar um enorme volume de informações científicas que nunca chegavam aos laboratórios.

IA contra o ‘dark data’ na demência

Liderado pelo neurologista Randall Bateman, da Washington University School of Medicine em St. Louis, o Consórcio para Pesquisa Biomédica e IA em Neurodegeneração (C-BRAIN) reúne 18 instituições acadêmicas, filantrópicas, farmacêuticas e de pesquisa em torno de um objetivo direto: fazer a ciência sobre Alzheimer avançar no ritmo da doença, que hoje atinge 57 milhões de pessoas no mundo e soma mais de 10 milhões de novos casos de demência por ano.

Mesmo com o financiamento anual para Alzheimer chegando a US$ 3,9 bilhões, não existe tratamento capaz de parar, prevenir ou reverter a doença. Para Bateman, o gargalo não é falta de estudos, e sim incapacidade de lidar com a avalanche de dados produzidos nos últimos anos.

“Temos uma janela de oportunidade com a inteligência artificial para fazer pesquisa fundamentalmente diferente do que já fizemos antes, de uma forma que acelera as descobertas para ajudar os pacientes”, afirma o fundador e diretor do C-BRAIN. Ele define as soluções do consórcio como “ferramentas de IA feitas por cientistas, para cientistas”.

No centro da iniciativa está o chamado dark data — resultados não publicados, dados negativos e informações proprietárias guardadas em silos institucionais, inacessíveis tanto a pesquisadores quanto a modelos de IA tradicionais. “Muitos dados das ciências da vida não chegam aos modelos de fronteira. A consequência disso é que estamos deixando muita inteligência na mesa”, resume Ade Ojewole, diretor de tecnologia do consórcio.

Entenda o contexto

O volume de dados biomédicos cresce em velocidade exponencial: imagens cerebrais em alta resolução, medições de proteínas no sangue e no líquor, dados genômicos e de expressão gênica, prontuários clínicos e resultados de ensaios clínicos. Cada centro de pesquisa acumula terabytes de informações, muitas vezes incompatíveis entre si e sujeitas a regras rígidas de privacidade e governança.

Na prática, isso significa que estudos importantes ficam escondidos em bancos fechados, resultados negativos quase nunca são publicados e diferentes grupos acabam repetindo os mesmos erros ou perguntas já respondidas em outro lugar. A consequência é um ciclo lento de tentativa e erro, enquanto o número de pacientes cresce.

O C-BRAIN foi criado justamente para atacar essa fricção: não produzindo apenas novos dados, mas construindo infraestrutura e algoritmos para conectar e compreender o que já existe, incluindo o que nunca chegou a um artigo científico.

Supercomputação e privacidade de dados

Para acessar essa massa de informação sensível sem violar a privacidade de pacientes ou a autonomia de cada instituição, o consórcio montou uma arquitetura híbrida: parte dos dados é integrada em sistemas seguros centralizados; outra parte permanece dentro de cada hospital ou laboratório, onde os modelos de IA “viajam” até os dados, aprendem com eles e retornam apenas com parâmetros treinados.

É a chamada abordagem federada, combinada com um núcleo central de dados. Em vez de mover prontuários, exames de imagem e bancos de biomarcadores para um só lugar, movem-se os algoritmos. Os modelos são treinados localmente e depois agregados, preservando privacidade e regras locais de governança.

Essa engrenagem roda sobre uma infraestrutura pesada de computação acelerada: o C-BRAIN opera hoje com 64 GPUs de data center da NVIDIA em instalações da universidade em St. Louis, complementadas por nós em nuvem no Microsoft Azure. O grupo já planeja ampliar a capacidade com sistemas da geração NVIDIA Blackwell, com foco em modelos cada vez maiores e mais complexos.

No software, o consórcio integra plataformas como a BioNeMo, voltada a modelos de linguagem para biologia, e o framework MONAI, usado para treinar redes neurais em imagens médicas. “Será necessário muito trabalho de otimização à medida que avançamos nos limites do que as arquiteturas de aprendizado de máquina para ômicas espaciais podem modelar. O software da NVIDIA certamente será fundamental nisso”, diz Ojewole.

Ferramentas que funcionam como ‘co-cientistas’

Sobre essa base técnica, pesquisadores do C-BRAIN já colocaram em operação duas ferramentas open source pensadas para o dia a dia de quem está à frente de um laboratório: OpenScientist e InsightEngine.

O OpenScientist, desenvolvido em parceria com o Lawrence Berkeley National Laboratory, funciona como um “co-cientista” de IA. O pesquisador fornece uma pergunta de pesquisa e um conjunto de dados; a plataforma então gera hipóteses, executa análises estatísticas e computacionais, e devolve um relatório com resultados rastreáveis e auditáveis.

Em estudos de caso já publicados, o sistema concluiu em poucos minutos análises que especialistas humanos estimaram que levariam de semanas a meses, com custo de menos de US$ 10 por execução. Em vez de meses ajustando scripts, limpando dados e rodando modelos, o cientista passa a iterar rapidamente entre hipóteses, resultados e novos experimentos.

O InsightEngine, criado em colaboração com o laboratório 387 Labs, atua em outra ponta do problema: validar hipóteses contra o corpo completo da literatura científica e um grafo de conhecimento biomédico. A ferramenta vasculha artigos, bancos estruturados e dados fornecidos pelos usuários, testa relações propostas pela IA e “puxa o freio” quando identifica contradições com evidências existentes — uma forma de reduzir alucinações antes que viabilizem experimentos caros e sem fundamento.

Segundo o consórcio, mais de 200 grupos de pesquisa já usam essas plataformas. A estimativa é que, em escala, a automação de análises e revisão de evidências possa liberar mais de 1 milhão de horas de trabalho humano por ano em laboratórios focados em neurodegeneração.

Do laboratório ao impacto para pacientes

Na prática, a aposta do C-BRAIN é que esse ganho de eficiência se traduza em descobertas concretas: novos biomarcadores, mecanismos causais ainda desconhecidos do envelhecimento cerebral, alvos para medicamentos e combinações de terapias mais personalizadas.

Os planos em desenvolvimento incluem treinar um grande modelo biológico multimodal a partir de todo o ecossistema de dados do consórcio — imagens de cérebro, dados ômicos (como genômica e transcriptômica), biomarcadores em fluidos e medidas clínicas acompanhadas por anos. A meta declarada é chegar, nos próximos ciclos de trabalho, a novos princípios testáveis sobre como o Alzheimer se instala e progride.

“A colaboração do C-BRAIN com a NVIDIA visa desbloquear esses modelos para que possam entregar algo bastante impactante e importante”, diz Bateman. Para ele, IA com capacidade de raciocínio sobre múltiplas fontes de dados tem potencial de encurtar o caminho entre pista biológica e intervenção clínica. “IA que consegue pensar e raciocinar tem o potencial de acelerar descobertas que levarão a prevenções e tratamentos poderosos e implementáveis para toda a população”, defende.

Esse impacto não é imediato à beira do leito, mas redesenha o fluxo de trabalho na academia, na indústria farmacêutica e em centros de pesquisa independentes. Ensaios clínicos podem ser desenhados com critérios de inclusão mais precisos; biomarcadores promissores podem ser priorizados com base em evidências consolidadas de múltiplos bancos; combinações de dados genéticos, de imagem e clínicos podem gerar perfis de risco mais finos.

Desafios de infraestrutura e ética

O avanço, porém, vem com custos e dilemas. A infraestrutura de hardware necessária — GPUs de alto desempenho, armazenamento seguro, redes de alta velocidade — e a equipe qualificada para operá-la não estão ao alcance de qualquer instituição, especialmente em países com menos recursos.

Há ainda o desafio permanente de equilibrar acesso amplo a dados com proteção de privacidade e governança responsável. O modelo híbrido centralizado e federado é, ao mesmo tempo, uma solução técnica e um compromisso político entre universidades, hospitais e empresas farmacêuticas, que permanecem donas de seus dados, mas aceitam colocá-los para “falar” com os demais por meio da IA.

Nesse desenho, ganha peso o debate sobre quem define prioridades de pesquisa, como se evita viés nos modelos e quais mecanismos garantem que benefícios cheguem também a populações historicamente sub-representadas em estudos clínicos.

Para já, as instituições envolvidas tratam o consórcio como um laboratório vivo de colaboração interdisciplinar em grande escala. A expectativa é de que, à medida que a infraestrutura seja ampliada e as ferramentas abertas para mais grupos, modelos preditivos mais robustos comecem a apontar caminhos concretos para ensaios clínicos e políticas públicas voltadas à demência — num cenário em que tempo e dados deixem de ser inimigos, e passem a jogar a favor da ciência.