Como a IA está encontrando novos alvos moleculares para o envelhecimento saudável

Os cientistas que estudam o envelhecimento têm uma nova ferramenta: sistemas de inteligência artificial que podem escanear milhares de moléculas ou conjuntos de dados genéticos em dias e sinalizar o punhado mais provável de afetar como as células envelhecem. Vários projetos tornados públicos nas últimas semanas mostram como isso funciona na prática — entre eles um laboratório de universidade brasileira, uma empresa de biotecnologia internacional, e uma equipe de pesquisa minerando grandes bancos de dados genômicos públicos — e todos eles visam o mesmo problema subjacente: o estresse oxidativo e o dano celular que se acumulam com a idade.

Um modelo de IA explicável procura por peptídeos antioxidantes

Na Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio), uma equipe liderada pelo professor de química André Silva Pimentel, trabalhando com os pesquisadores Maria Carolina J. A. Schneider e Marina Geisiely Damaso Godinho Alves, publicou um estudo sobre inteligência artificial explicável aplicada a peptídeos antioxidantes, de acordo com um artigo que a equipe escreveu para The Conversation Brasil em 5 de outubro de 2026. Peptídeos são cadeias curtas de aminoácidos que ocorrem naturalmente em proteínas alimentares ou podem ser sintetizados, e alguns deles podem neutralizar radicais livres — moléculas instáveis que danificam as células quando se acumulam mais rápido do que os sistemas antioxidantes do corpo podem eliminá-las.

O grupo da PUC-Rio usou um método chamado IA explicável, que difere dos modelos padrão de aprendizado de máquina em um aspecto importante: em vez de apenas produzir uma previsão, também mostra quais partes da sequência de aminoácidos de um peptídeo influenciaram mais essa previsão. De acordo com os pesquisadores, isso permite que os cientistas vejam quais características estruturais tornam um peptídeo mais provável de atuar como antioxidante, em vez de tratar a IA como uma caixa preta. O trabalho foi financiado pela FAPERJ, a fundação de pesquisa estadual do Rio de Janeiro, e também foi coberto pelo veículo brasileiro Brasil em Folhas, que descreveu o mesmo laboratório e metodologia.

O valor prático, escreveram os pesquisadores, é a velocidade: em vez de testar grandes números de candidatos peptídeos um por um em um laboratório, o modelo de IA reduz uma longa lista para as poucas sequências mais dignas de teste experimental. A equipe disse que as aplicações potenciais se estendem além de cosméticos anti-envelhecimento e nutracêuticos para pesquisa sobre condições ligadas ao estresse oxidativo como a doença de Alzheimer, a doença de Parkinson e o câncer — embora descrevessem isso como uma direção para estudos posteriores, não um tratamento acabado.

Sistemas de IA maiores estão analisando genomas e bibliotecas de medicamentos para alvos de envelhecimento

Um esforço separado em maior escala vem da Insilico Medicine, uma empresa de biotecnologia que desenvolve ferramentas de IA para descoberta de medicamentos. Em 17 de setembro de 2026, a empresa publicou um estudo na capa da revista Cell descrevendo um kit de ferramentas de código aberto para pesquisa de longevidade, construído com Liquid AI, Buck Institute for Research on Aging, Harvard Medical School e Brigham and Women's Hospital, de acordo com o próprio comunicado da Insilico Medicine.

O kit de ferramentas tem três partes: LongevityBench, um benchmark que testa como os modelos de IA raciocinam sobre biologia do envelhecimento em cinco tipos de dados incluindo genética e proteômica; Longevity-LLMs, uma família de modelos de linguagem compactos (variando de 0,6 a 9 bilhões de parâmetros) treinados especificamente em dados relacionados ao envelhecimento; e Longevity Claw, uma plataforma de pesquisa autônoma destinada a identificar e classificar possíveis alvos relacionados ao envelhecimento. A Insilico Medicine informou que seu modelo especializado de 9 bilhões de parâmetros igualou ou superou 16 sistemas de IA de propósito geral de fronteira em tarefas de biologia do envelhecimento, e que Longevity Claw propôs 328 alvos candidatos de intervenção do envelhecimento, que segundo a empresa mostraram enriquecimento de até 5,6 vezes para genes relacionados ao envelhecimento quando comparado com um conjunto de referência publicado independentemente de alvos de envelhecimento validados experimentalmente.

Uma terceira abordagem, descrita pelo site de notícias de pesquisa sobre envelhecimento Lifespan.io, usou uma ferramenta de IA chamada ClockBase Agent — construída por uma equipe liderada pelo pesquisador Vadim Gladyshev — para minerar mais de 2 milhões de conjuntos de dados existentes de sequenciamento de RNA e epigenéticos cobrindo 43.529 intervenções biológicas registradas. O sistema sinalizou medicamentos conhecidos incluindo rapamicina, metformina, fenofibrato e ouabaína como vinculados ao envelhecimento biológico mais lento nos dados; Lifespan.io informou que em testes de acompanhamento em camundongos de 20 meses, três meses de tratamento com ouabaína foram associados com pontuações de fragilidade melhoradas, desempenho cognitivo, condição do pelo e função cardíaca, embora o preprint descrevendo o estudo completo tenha sido postado em novembro de 2025 e ainda não tenha sido confirmado em ensaios humanos.

O que essa pesquisa mostra e não mostra

Nenhum desses projetos afirma ter produzido um tratamento anti-envelhecimento aprovado. O modelo de peptídeo da PUC-Rio e a lista de alvos da Insilico Medicine são ferramentas de previsão destinadas a priorizar candidatos para testes de laboratório e clínicos, não terapias acabadas. Os resultados de ouabaína descritos pela Lifespan.io vêm de experimentos com animais, não de ensaios clínicos humanos. Os pesquisadores envolvidos no estudo da PUC-Rio e da Insilico Medicine enquadram seu trabalho como reduzindo um espaço de busca muito grande — milhões de moléculas possíveis ou alvos de genes — para que recursos escassos de laboratório e clínicos sejam gastos testando primeiro os candidatos mais promissores.

• IA explicável (PUC-Rio): sinaliza quais sequências de aminoácidos em peptídeos derivados de alimentos ou sintéticos são antioxidantes prováveis.
• LongevityBench / Longevity-LLMs / Longevity Claw (Insilico Medicine, com Buck Institute e Harvard Medical School): benchmark e classifica alvos genéticos vinculados ao envelhecimento em conjuntos de dados ômicos.
• ClockBase Agent (equipe de pesquisa de Gladyshev): minera conjuntos de dados genômicos públicos existentes para sinalizar medicamentos existentes associados com envelhecimento biológico mais lento em dados animais.