Em ciências da vida, IA em produção raramente é um chatbot. Hansa e Cradle mostram a alternativa

Pergunte a um executivo de farmacêutica onde a IA já está em produção e a primeira resposta costuma ser um assistente para funcionários: resumir documentos, redigir e-mails, procurar procedimentos. Útil, mas raramente é ali que estão o dinheiro ou o risco. A IA que mais vale em ciências da vida costuma ficar num lugar menos visível: dentro do próprio fluxo científico, sugerindo o que produzir e testar em seguida.

O anúncio da Hansa Biopharma com a Cradle em 1º de outubro é um exemplo limpo desse segundo tipo.

O que foi anunciado

A Hansa, biofarmacêutica sueca, está levando a plataforma de design e engenharia de proteínas com IA da Cradle para todo o seu pipeline de descoberta, para desenhar e otimizar candidatos a novas terapias imunomoduladoras em doenças autoimunes. Segundo a Cradle, a plataforma junta geração de candidatos, otimização e aprendizado contínuo com os dados experimentais num fluxo só, do desenho ao candidato.

O contexto importa. A Hansa não é uma startup no primeiro piloto de IA. O produto principal, a imlifidase, vendida como IDEFIRIX, é uma enzima que cliva IgG, já comercializada na Europa e, segundo o anúncio, em análise na FDA com data de decisão (PDUFA) em dezembro de 2026 para pacientes de transplante renal altamente sensibilizados. Uma molécula de nova geração está em desenvolvimento para a síndrome de Guillain-Barré. A diretora de pesquisa e desenvolvimento inicial da Hansa disse que a plataforma permite aos cientistas desenhar candidatos melhores, mais rápido e com maior probabilidade de sucesso. É a expectativa da empresa, não um resultado medido ainda.

Tão importante quanto o que o anúncio diz é o que ele não diz. A IA não valida terapias, não substitui experimentos de laboratório nem produz conclusões clínicas. Ela propõe desenhos; cientistas e experimentos decidem.

1. Cientistas definem o perfil-alvo
2. O modelo propõe candidatos
3. O laboratório produz e testa
4. Os resultados atualizam o modelo
5. Cientistas selecionam candidatos

Etapa de IAEtapa humana e de laboratório

Por que esse é o padrão a acompanhar

O modelo aprende com os experimentos da própria empresa. Aprendizado contínuo com dados experimentais significa que cada resultado de ensaio melhora a próxima rodada de desenhos para os alvos daquela organização. É um ativo que se acumula, e isso levanta a primeira pergunta corporativa: de quem é o modelo melhorado, e os pesos ou parâmetros derivados dos seus dados? Contratos com plataformas de design por IA precisam responder isso com precisão, inclusive sobre o que acontece quando a relação acaba.

Rastreabilidade vira higiene científica. Quando um candidato chega ao desenvolvimento, alguém vai perguntar por que aquela sequência foi escolhida. A resposta precisa ser reconstruível: qual versão do modelo propôs, com quais dados, sob quais restrições, e quais experimentos confirmaram. A mesma disciplina que torna um sistema de TI auditável torna defensável uma decisão de descoberta.

Integração é onde o tempo vai embora. A plataforma precisa trocar dados com os cadernos eletrônicos de laboratório, o LIMS e os sistemas de ensaio. Formatos, identificadores e qualidade de dados definem a velocidade do ciclo muito mais do que o modelo.

Quem manda é quem entende do assunto. O briefing do desenho, a escolha do que sintetizar e a interpretação dos resultados continuam sendo julgamento científico. É o mesmo princípio que descrevemos na nossa análise do sistema de contas a pagar da Snowflake: a IA propõe dentro de um processo cujas decisões ficam com pessoas responsáveis e verificações confiáveis.

Onde a regulação começa a pesar

IA na fase de descoberta é pouco regulada, e isso é intencional. O que a Anvisa avalia é o que chega ao dossiê de registro: dados não clínicos e clínicos, qualidade, fabricação. O escrutínio começa quando dados ou análises gerados por IA entram nessa evidência.

Há, porém, uma regra brasileira que costuma pegar desprevenido quem trabalha com sequências: a Lei nº 13.123/2015, a lei da biodiversidade, trata como patrimônio genético a informação de origem genética de espécies encontradas no país, e considera pesquisa também a atividade teórica sobre ela. Se um projeto de design de proteínas usa sequências derivadas da biodiversidade brasileira, mesmo só como dado de treino ou de referência, o acesso precisa de cadastro no SisGen antes de publicar resultados ou pedir patente. Num fluxo em que o modelo consome bases públicas de sequências, saber a origem de cada uma vira requisito de governança, não detalhe acadêmico.

E registros que ninguém guardou durante a descoberta são difíceis de recriar quando o programa chega à fase em que eles importam. Manter a linhagem desde o início custa pouco. A governança de acesso também pesa; como mostramos no nosso texto sobre o programa de verificação da Anthropic para ciências da vida, o acesso a modelos nesse setor está virando ativo governado por si só.

O que times de ciências da vida podem levar daqui

1. Separe os dois portfólios de IA. Ferramentas de produtividade para funcionários e IA no fluxo científico têm donos, riscos e valor diferentes. Governe e financie em separado.
2. Negocie primeiro os direitos sobre dados e modelos. Dados experimentais, modelos derivados e melhorias: de quem é o quê, durante e depois do contrato.
3. Registre a linhagem do desenho desde o primeiro dia: versão do modelo, entradas, restrições, candidatos escolhidos, experimentos que confirmaram, e a origem das sequências usadas.
4. Coloque a integração no orçamento: ELN, LIMS e pipelines de dados de ensaio são o projeto de verdade.
5. Mantenha as promessas honestas. Fale em ganho de probabilidade de sucesso só quando os seus próprios dados mostrarem isso.

Em resumo

A IA que mais pesa em ciências da vida não é um chatbot que fala de ciência. É um modelo embutido no ciclo de desenho, experimento e aprendizado, comandado por cientistas e alimentado pelos dados da própria empresa. Hansa e Cradle são um caso. As perguntas de arquitetura, direitos sobre dados, linhagem, integração e julgamento humano, valem para qualquer organização que queira colocar IA para trabalhar na bancada.