ProFormer: IA identifica doenças pelo proteoma do sangue

• O ProFormer é uma inteligência artificial que lê o proteoma, ou seja, o conjunto de proteínas de uma célula ou do sangue, para classificar o que está ali.
• A tecnologia usa aprendizado profundo, o mesmo tipo de IA por trás do ChatGPT, só que treinada para entender proteínas em vez de palavras.
• Segundo a Nature, o modelo trabalha tanto com proteômica de célula única quanto com o plasma do sangue, as duas principais formas de olhar as proteínas do corpo.
• O corpo humano produz cerca de 20 mil proteínas diferentes, número grande demais para um médico analisar no olho, e é exatamente aí que a IA entra.
• No Clube dos Cisnes, entendemos que o diagnóstico está deixando de ser só leitura humana e virando também software, com tudo de bom e de arriscado que isso traz.

A IA que aprendeu a ler as proteínas do seu sangue

A revista científica Nature publicou um estudo apresentando o ProFormer, um modelo de inteligência artificial criado para classificar proteomas de células e do plasma sanguíneo. Proteoma é o nome do conjunto de todas as proteínas presentes numa célula ou no sangue num dado momento. Em vez de olhar o DNA, que é o manual de instruções, o ProFormer olha as proteínas, que são os operários que executam esse manual dentro do corpo.

Para o brasileiro comum, isso parece distante, mas mexe com algo bem próximo: o exame de sangue. Hoje, quando você faz um exame, o laboratório mede poucos marcadores por vez. A proposta por trás de ferramentas como o ProFormer é ler um retrato muito mais completo das suas proteínas de uma só vez. Quanto mais o corpo conta em um único exame, mais cedo um problema pode ser flagrado.

No Clube dos Cisnes, acompanhamos de perto esse movimento da ciência que mistura biologia e IA, assunto que já tratamos em detalhe ao mostrar como a inteligência artificial acelera a biotecnologia. O ProFormer é mais um capítulo dessa história, e um dos mais ambiciosos.

O que é o ProFormer e como ele lê o sangue?

O ProFormer é uma inteligência artificial que recebe dados de proteínas e devolve uma classificação, por exemplo, a que tipo de célula aquele perfil pertence ou que padrão ele indica. Ele não enxerga a proteína como um objeto físico. Ele a transforma em números e procura padrões nesses números.

Pense numa novela. Cada personagem tem um jeito de falar, um figurino, uma trilha sonora. Mesmo sem ver o nome na tela, você reconhece o vilão pelo conjunto de sinais. O ProFormer faz algo parecido: ele aprende o "figurino" de proteínas de uma célula saudável e o de uma célula doente, e passa a reconhecer qual é qual pelo conjunto, não por um detalhe isolado.

Esse tipo de leitura por conjunto é o que diferencia a IA de um exame tradicional. Um exame comum pergunta: "o marcador X está alto ou baixo?". A IA pergunta: "esse arranjo inteiro de milhares de proteínas se parece com qual situação que eu já vi antes?". É uma diferença de escala parecida com reconhecer uma música inteira em vez de uma só nota.

Segundo a Nature, o ProFormer foi desenhado para trabalhar com dois mundos de dados ao mesmo tempo: as proteínas dentro de células individuais e as proteínas que circulam no plasma, a parte líquida do sangue. Unir essas duas visões no mesmo modelo é o ponto que chama atenção, porque cada uma conta uma parte diferente da história do corpo.

Como uma IA consegue entender as proteínas de uma célula?

A IA entende proteínas porque foi treinada da mesma forma que um modelo de linguagem aprende a escrever: vendo milhões de exemplos até captar as regras por trás deles. O ProFormer usa aprendizado profundo, uma técnica de IA baseada em redes com muitas camadas que vão refinando o que entenderam a cada etapa.

O nome "ProFormer" dá a pista. Ele vem de "transformer", a arquitetura de IA que virou padrão nos últimos anos e que está por trás de assistentes como o ChatGPT. O transformer é bom em uma coisa específica: olhar uma sequência inteira e descobrir quais partes dela conversam entre si. Em texto, isso liga uma palavra à outra lá no fim da frase. Em proteínas, isso liga um sinal a outro que aparece em outro ponto da amostra.

Imagine o trânsito de uma cidade grande no horário de pico. Olhar um único cruzamento não diz quase nada. Mas quem observa a cidade inteira ao mesmo tempo percebe que um acidente num bairro trava avenidas do outro lado. A IA de proteínas trabalha assim: ela cruza milhares de sinais ao mesmo tempo para entender o quadro geral, não um ponto só.

Vale a comparação com outra área. Já contamos aqui como a IA aprendeu a identificar golfinhos pelo som. A lógica é a mesma do ProFormer: pegar um sinal complexo, som ou proteína, e ensinar a máquina a reconhecer padrões que o ser humano sozinho levaria anos para mapear.

Por que olhar as proteínas é diferente de olhar o DNA?

Olhar as proteínas é diferente porque o DNA mostra o que o corpo pode fazer, e as proteínas mostram o que ele está fazendo agora. O DNA é fixo desde o nascimento. As proteínas mudam o tempo todo, conforme você dorme, come, adoece ou se cura.

É a diferença entre a receita de bolo e o bolo saindo do forno. A receita, o DNA, é sempre a mesma. O resultado, as proteínas, depende de mil fatores do dia. Por isso ler o proteoma pode flagrar uma mudança que está acontecendo neste momento, e não apenas uma tendência que você carrega desde que nasceu.

O corpo humano produz cerca de 20 mil proteínas diferentes, segundo o conhecimento científico já consolidado. É um volume que nenhum profissional consegue analisar manualmente célula por célula. Esse descompasso entre a quantidade de dados e a capacidade humana de ler tudo é justamente o espaço que a inteligência artificial ocupa na saúde.

Essa ideia de ler sinais biológicos em tempo real já apareceu em outra frente que cobrimos: a de que um exame de sangue pode revelar a idade real de cada órgão. O ProFormer caminha na mesma direção, só que focado no retrato de proteínas em vez da idade dos órgãos.

Isso vai aparecer no posto de saúde do seu bairro?

Não tão cedo, e é honesto dizer isso com todas as letras. O ProFormer é, por enquanto, uma ferramenta de pesquisa descrita em um artigo da Nature, não um exame liberado para uso na rede pública ou nos planos de saúde. Entre a publicação científica e a fila do posto existe um caminho longo de validação.

Esse caminho tem etapas conhecidas. Primeiro, outros cientistas precisam repetir os resultados e confirmar que eles funcionam fora do laboratório original. Depois vêm os testes clínicos, a aprovação de órgãos reguladores e, só então, a chegada aos hospitais. Tecnologias de saúde costumam levar anos nesse trajeto, e muitas param no meio.

Para o leitor, o impacto prático de curto prazo é mais indireto do que parece. A primeira onda tende a aparecer em grandes centros de pesquisa e em diagnósticos de doenças complexas, não no exame de rotina. Só com o tempo, e com queda de custo, esse tipo de análise pode descer até o laboratório do bairro.

Há ainda um alerta que repetimos sempre: ferramenta de IA não substitui médico. Já explicamos por que não se deve confiar cegamente em diagnósticos online, e o raciocínio vale aqui. A IA aponta padrões; quem decide o tratamento é o profissional de saúde olhando o paciente inteiro.

Quem ganha e quem perde com o diagnóstico por proteoma?

Quem mais ganha, num primeiro momento, são os pacientes de doenças difíceis de flagrar cedo e os laboratórios capazes de investir na tecnologia. Quem corre risco de ficar para trás são os serviços de saúde sem dinheiro para equipamento e os pacientes longe dos grandes centros.

Do lado de quem ganha, o atrativo é o diagnóstico precoce. Doenças que hoje aparecem tarde, quando o tratamento já é mais duro, poderiam ser pegas por um sinal sutil nas proteínas muito antes dos sintomas. Em saúde, tempo é quase tudo: descobrir cedo muda a chance de cura.

Do lado de quem pode perder, está a velha desigualdade. Se a análise de proteoma por IA nasce cara e concentrada em poucos lugares, ela corre o risco de abrir mais uma distância entre quem paga plano caro e quem depende da rede pública. A tecnologia promete democratizar o diagnóstico, mas o preço inicial costuma fazer o contrário por um bom tempo.

Há também um ganhador silencioso: as empresas de tecnologia e de dados. Treinar uma IA como o ProFormer exige enormes bancos de dados biológicos e muito poder de computação. Isso aproxima a medicina das big techs e das fabricantes de chips, um movimento que já reorganiza a economia da saúde nos bastidores.

Na nossa leitura, o ProFormer anuncia uma virada silenciosa: o diagnóstico está deixando de ser apenas um ato médico e passando a ser, também, um software que precisa ser auditado como qualquer outro.

O que pode dar errado nessa promessa?

O principal risco é a IA errar com cara de certeza. Um modelo de aprendizado profundo entrega uma resposta mesmo quando os dados são ruins, e essa resposta vem com aparência de precisão científica que pode enganar tanto o paciente quanto o profissional apressado.

Existe um problema técnico conhecido chamado viés de dados. Se o ProFormer e modelos parecidos forem treinados com amostras de um grupo de pessoas específico, podem funcionar pior em quem ficou de fora desse grupo. Num país tão diverso quanto o Brasil, uma IA treinada só com dados de outra população pode simplesmente não acertar da mesma forma por aqui.

Há ainda a questão da privacidade. Proteoma é dado íntimo do seu corpo, tão sensível quanto o DNA. Quem guarda essa informação, por quanto tempo e com que proteção são perguntas que precisam de resposta antes, e não depois, da tecnologia virar rotina. Dado de saúde vazado não se recupera como uma senha trocada.

Por fim, existe o risco do excesso de confiança. Transformar o corpo em números pode dar a falsa impressão de que tudo virou exato. Medicina continua lidando com incerteza, e a melhor IA do mundo não apaga isso. Ela ajuda a decidir; ela não decide sozinha.

Como isso se compara ao que já vimos em outras tecnologias de saúde?

Comparado a avanços anteriores, o ProFormer segue um roteiro que a medicina já viveu com o exame de DNA e com os aparelhos de imagem. Toda grande tecnologia de diagnóstico nasceu cara, restrita a poucos centros, cercada de promessas, e só depois, com o tempo, barateou e virou rotina.

O exame genético é o espelho mais claro. Há cerca de duas décadas, sequenciar o genoma de uma pessoa custava uma fortuna e levava anos. Hoje é possível fazer versões disso por um preço muito menor e em pouco tempo. A leitura de proteomas por IA tende a repetir essa curva: começa como luxo de pesquisa e caminha para o acesso comum.

A diferença desta vez é a velocidade da inteligência artificial. O mesmo salto que vimos quando a IA passou a ler imagens médicas, como raios-X e tomografias, agora chega às proteínas. E a IA aprende cada vez mais rápido, o que pode encurtar o tempo entre a descoberta no laboratório e o uso prático, mesmo que a validação clínica continue lenta de propósito, por segurança.

Vale lembrar que essa corrida não acontece no vácuo. Ela depende de data centers, chips e investimento pesado, o mesmo motor que move toda a onda atual de IA. A saúde entra agora na mesma disputa por capacidade de computação que já move outros setores da economia.

Na leitura do Clube dos Cisnes: o diagnóstico virou software

No Clube dos Cisnes, nossa tese é simples: o ProFormer não é só mais um exame melhor, é o sinal de que o diagnóstico está virando software. E software se atualiza, se copia, erra em escala e precisa ser auditado. Isso muda o jogo para muito além do consultório.

A implicação original que enxergamos é a seguinte: se ler proteínas vira um modelo de IA, a saúde passa a depender de quem controla os melhores modelos e os maiores bancos de dados biológicos. Não é mais só uma questão de ter bons médicos. É uma questão de ter boa tecnologia e bons dados, e isso tem dono, tem preço e tem geografia.

Nossa previsão fundamentada: nos próximos anos, veremos exames de proteoma por IA chegando primeiro a clínicas particulares de ponta e a programas de pesquisa, e só depois, de forma desigual, à rede pública. A conversa sobre regulação e privacidade de dados de saúde vai esquentar no mesmo ritmo.

Para aterrissar isso no mundo das pequenas e médias empresas brasileiras, uma implicação prática concreta: clínicas, laboratórios de bairro e pequenas operadoras de saúde vão precisar decidir se investem para oferecer análises baseadas em IA ou se correm o risco de virar meros coletores de amostra que mandam tudo para gigantes. Por experiência no Clube dos Cisnes, estimamos que o gargalo para um negócio pequeno de saúde não será comprar o software em si, e sim o custo contínuo de integrar dados, treinar a equipe e garantir conformidade com a proteção de dados. Como exemplo ilustrativo, hipotético, não um cliente real: imagine um laboratório familiar que hoje vive de exames simples. Se ele não se preparar para o diagnóstico por IA, pode ver seu cliente migrar para redes maiores em poucos anos, não por preço, mas por capacidade de entregar leitura mais fina do sangue.

No fim, a pergunta que fica não é se a máquina vai ler o seu sangue melhor que antes. É quem vai ler a máquina, e em nome de quem.