Google lança o motor de design de medicamentos AI IsoDDE: apelidado de "AlphaFold 4", com desempenho superior à geração anterior, mas já não de código aberto

O Isomorphic Labs, também subsidiária do Google e liderada pelo CEO Demis Hassabis, lançou o novo motor de design de medicamentos AI, IsoDDE, considerado pela Nature como “AlphaFold 4”.

Ele supera completamente a geração anterior, mas opta por ser totalmente fechado. A era de ouro da IA beneficiando a ciência pode estar se fechando.

Em 2024, Demis Hassabis foi laureado com o Nobel por causa do AlphaFold.

Este modelo de IA capaz de prever a estrutura tridimensional de proteínas é utilizado por mais de 3 milhões de pesquisadores em mais de 190 países, sendo um exemplo emblemático de como a IA beneficia toda a humanidade.

O reconhecimento do Nobel não é tanto pelo algoritmo, mas por um espírito — colocar a ferramenta científica mais poderosa gratuitamente nas mãos de todos os pesquisadores.

16 meses depois, o sucessor do AlphaFold foi apresentado.

Em 10 de fevereiro, a empresa de IA farmacêutica de Hassabis, Isomorphic Labs, divulgou um relatório técnico de 27 páginas apresentando o motor de design de medicamentos IsoDDE, que supera amplamente o AlphaFold 3, sendo considerado por Mohammed AlQuraishi, bioquímico da Universidade de Columbia, como um avanço de nível “AlphaFold 4”.

Porém, desta vez, o código não será divulgado, os artigos não serão publicados e os métodos não serão compartilhados.

Max Jaderberg, presidente da Isomorphic Labs, afirmou diretamente à Nature: “Não pretendemos divulgar a receita secreta.”

A lenda do código aberto do AlphaFold provavelmente chegará ao seu fim na terceira geração.

A capacidade realmente impressiona

Primeiro, o que o IsoDDE consegue fazer, ajudando a entender por que há tanta controvérsia.

Fazendo uma analogia não muito rigorosa: imagine que a proteína é uma fechadura e a molécula do medicamento é a chave. O AlphaFold ajuda a visualizar como essa fechadura é.

Mas só ver a fechadura não basta — é preciso saber se a chave encaixa, se gira com força, e até descobrir se há outros orifícios que você nem percebeu.

IsoDDE responde a essas questões mais complexas.

Ele é um motor unificado que integra previsão de estrutura, cálculo de afinidade de ligação, descoberta de sítios de ligação ocultos, entre outros.

Dados ilustram isso claramente.

Em um teste específico para avaliar se a IA consegue lidar com novas estruturas de proteínas “nunca antes vistas” (benchmark Runs N’ Poses), quando a similaridade com os dados de treinamento é de 0-20% (a situação mais difícil), o sucesso do IsoDDE é mais do que o dobro do AlphaFold 3.

Dos 60 casos mais difíceis, 17 foram completamente falhas para o AlphaFold 3, mas o IsoDDE conseguiu acertar.

AlphaFold 3 falha neste exemplo, IsoDDE acerta

Na previsão de como os anticorpos reconhecem seus alvos, a taxa de sucesso do IsoDDE é 2,3 vezes maior que a do AlphaFold 3, e quase 20 vezes maior que o modelo de código aberto Boltz-2.

O mais surpreendente para os colegas foi a previsão de afinidade — ou seja, o quão forte o medicamento se liga ao alvo.

Tradicionalmente, essa tarefa depende de um método físico chamado FEP, que é extremamente caro e requer estruturas cristalinas como ponto de partida.

O IsoDDE, em vários testes públicos, não só supera todos os métodos de IA, como também supera o FEP, sem precisar de qualquer dado experimental inicial.

Um caso especialmente impressionante no relatório técnico foi o de uma proteína chamada cereblon, na qual os cientistas passaram 15 anos acreditando que tinha apenas um sítio de ligação. Uma nova publicação, no início deste ano, revelou experimentalmente um segundo sítio oculto.

O IsoDDE, apenas com a sequência de aminoácidos dessa proteína, identificou ambos os sítios — incluindo o que permaneceu escondido por 15 anos.

Para o laboratório, fazer isso exige experimentos caros de cristalização e muito tempo. O IsoDDE faz em segundos.

AlQuraishi afirmou estar impressionado com a capacidade de generalização do IsoDDE em sistemas moleculares totalmente novos, o que indica que “eles certamente fizeram algo muito inovador”.

Fechado: a parte que realmente preocupa

Se o IsoDDE fosse um software comercial comum, o fechamento do código seria natural e sem controvérsia.

O problema é que seu antecessor, o AlphaFold, representa uma visão de valores completamente diferente.

O AlphaFold 2 foi open source em 2021, com o artigo publicado na Nature, e seus resultados foram disponibilizados gratuitamente globalmente.

Isso teve um impacto que vai além da tecnologia — demonstrou que a pesquisa de ponta em IA, financiada por gigantes tecnológicos, pode realmente se tornar um bem público.

Mais de 3 milhões de cientistas usaram-no para suas pesquisas, acelerando inúmeros projetos e mudando o rumo da biologia.

O AlphaFold 3, de 2024, também teve seu artigo publicado, e embora a abertura do código tenha gerado controvérsia, acabou sendo disponibilizado para a comunidade acadêmica.

O IsoDDE rompe com essa tradição.

No relatório técnico de 27 páginas, quase não há detalhes sobre a arquitetura do modelo ou os métodos de treinamento.

A manchete da reportagem da Nature é direta: “Os cientistas só podem adivinhar como alcançar resultados semelhantes.”

Jaderberg disse à Nature que espera que o relatório “inspire” outras equipes.

Porém, a reação de AlQuraishi reflete o sentimento real da comunidade acadêmica: “O problema é que não sabemos nada dos detalhes.”

Alguns consideram que a proteção das tecnologias centrais por parte da Isomorphic Labs, como empresa comercial, é compreensível. Isso é verdade.

Mas é importante questionar: à medida que a capacidade de IA na ciência se torna mais forte e concentrada em poucas empresas, quem decide o grau de abertura dessas capacidades?

A Isomorphic Labs já levantou 600 milhões de dólares em financiamento, assinou acordos de potencial valor de quase 3 bilhões de dólares com Lilly e Novartis, e opera 17 pipelines de medicamentos.

Hassabis afirmou, em Davos, que os primeiros medicamentos projetados por IA devem entrar em testes clínicos até o final de 2026.

A empresa está se transformando de uma instituição de pesquisa em uma máquina de negócios.

Diego del Alamo, bioquímico da Takeda, apontou uma outra nuance: a Isomorphic Labs investiu bastante em parcerias com farmacêuticas, possivelmente adquirindo uma grande quantidade de dados experimentais privados.

O quanto esses dados adicionais contribuem para o desempenho do IsoDDE, o público não sabe.

Se a vantagem central vem de barreiras de dados e não de inovação algorítmica, então o que se chama de “incentivo” é mais uma fachada.

O campo open source não se rendeu

O fechamento de código gera ansiedade, mas também estimula a competição.

Gabriele Corso, cofundador do Boltz, uma organização sem fins lucrativos que desenvolveu o Boltz-2, afirmou claramente: “Não acredito que dados privados sejam o fator-chave, pois há muito espaço para melhorias nos dados públicos.”

O IsoDDE estabeleceu uma nova linha de base de desempenho, “que precisa ser alcançada e pode ser superada.”

Outra empresa, a Deep Origin, foi mais audaciosa, anunciando logo após o lançamento do IsoDDE que seu motor DODock, em agosto de 2025, já atingiu desempenho comparável na mesma avaliação — usando uma abordagem técnica totalmente diferente.

Nos últimos dois anos, a comunidade open source também não ficou parada. Após o lançamento do AlphaFold 3, várias equipes criaram modelos open source que chegam perto ou até superam parcialmente, como Boltz-1/2, Chai-1, Protenix, entre outros.

O setor de IA farmacêutica está reencenando o roteiro do desenvolvimento de grandes modelos de linguagem: uma empresa apresenta resultados impressionantes fechados, e a comunidade open source rapidamente acompanha, reduzindo a distância de uma geração para outra.

Porém, há uma diferença crucial.

Nos modelos de linguagem, os dados de treinamento — textos da internet — são recursos públicos quase ilimitados.

Já na IA para medicamentos, especialmente dados de alta qualidade de experimentos de proteínas e drogas, uma parte significativa está sob controle das farmacêuticas.

Se a vantagem do modelo fechado se basear em barreiras de dados privados, a tarefa de alcançar esses modelos open source será muito mais difícil.

Portas se fechando

O impacto dessa mudança pode ir além do desenvolvimento de medicamentos.

Nos últimos anos, a narrativa de que “a IA open source impulsiona o progresso científico” foi amplamente aceita. O AlphaFold foi a prova mais forte dessa história.

Sempre que alguém questiona quem realmente se beneficia da pesquisa de ponta em IA, o AlphaFold é a melhor resposta — veja, mais de 3 milhões de cientistas ao redor do mundo o usam gratuitamente.

Hoje, com os sucessores do AlphaFold optando pelo fechamento, essa narrativa se abre em uma fissura.

Ela sugere um possível futuro:

A IA na ciência fundamental, que era uma ferramenta pública poderosa, está se tornando um ativo comercial;

Conquistas revolucionárias são divulgadas por relatórios técnicos, não por artigos revisados por pares;

A comunidade acadêmica vê os resultados, mas nunca conhece os métodos.

Hassabis já afirmou que aplicar IA à ciência é uma empreitada mais rica do que os modelos de linguagem. Isso é verdade. Mas essa riqueza só é possível com abertura.

Quando a IA científica mais poderosa fica restrita a clientes pagantes, a maior parte da comunidade científica só pode observar de fora.

A medalha do Nobel do AlphaFold celebra o ideal de compartilhar o conhecimento com todos. O relatório do IsoDDE descreve um futuro mais poderoso.

A distância entre ambos é a escolha que este tempo está fazendo.