IA em biotecnologia: Dados proprietários ditam novo modelo de investimento
Ex-gestor do fundo de bio da a16z, Vijay Pande aposta em poucas e concentradas startups. A razão: em biotecnologia, cada empresa precisa criar seu próprio acervo de dados para IA.
Após gerenciar um portfólio de quase US$ 4 bilhões no fundo de biotecnologia da Andreessen Horowitz (a16z), Vijay Pande está adotando uma estratégia radicalmente diferente com sua nova firma, a VZVC. Em vez de dezenas de aportes anuais, a VZVC fará apenas um “punhado de apostas concentradas” por ano. A razão por trás dessa mudança de um modelo de alto volume para um de alta convicção revela uma verdade fundamental sobre a aplicação de IA na saúde: a natureza dos dados biológicos.
Em uma entrevista recente, Pande destacou que, ao contrário de áreas onde a IA pode ser treinada com dados vastos e publicamente disponíveis na internet, a biotecnologia opera em um vácuo de informação. Dados biológicos não podem ser "raspados" da web; eles precisam ser gerados por meio de experimentos complexos e caros. Isso significa que cada startup do setor precisa construir seu próprio “walled-off dataset”, um acervo de dados proprietário e isolado. Essa dinâmica fragmenta o campo e cria um cenário onde a principal vantagem competitiva de uma empresa não é apenas seu algoritmo, mas a qualidade e a exclusividade de seus dados.
O problema do 'walled-off dataset'
A impossibilidade de treinar modelos de IA em um acervo comum, como acontece em linguagem ou imagem, força uma abordagem diferente para o desenvolvimento e o investimento. A tese de Pande, cofundador da VZVC com Zach Werner, é que o valor se concentra em empresas capazes de criar e alavancar esses bancos de dados proprietários. A consequência direta é um modelo de investimento que prioriza profundidade em vez de amplitude.
Apostar de forma concentrada permite que o capital de risco forneça não apenas financiamento, mas um suporte estratégico para o lento e custoso processo de geração de dados. Em vez de pulverizar o capital, a VZVC foca em poucas companhias com potencial para criar plataformas de dados que possam sustentar o desenvolvimento de múltiplos produtos ou terapias. A própria firma, segundo Pande, não possui associados e utiliza intensivamente IA em suas operações diárias, refletindo a filosofia que busca em seus investimentos.
Da descoberta à engenharia de fármacos
Gostou desta análise? Receba a próxima primeiro.
Edição diária da IA News com impacto real para empresas — grátis no seu e-mail.
Segundo Pande, a biologia está em transição de uma “ciência de descoberta”, marcada por acasos e sorte, para uma “ciência de engenharia”. A IA é o catalisador dessa mudança, permitindo que computadores processem a complexidade dos sistemas biológicos de forma sistemática. O impacto se estende por toda a cadeia de desenvolvimento de medicamentos:
- Identificação de alvos: A IA ajuda a determinar quais proteínas ou vias biológicas devem ser alvo de um novo fármaco para tratar uma doença específica.
- Desenvolvimento de moléculas: Ferramentas de IA para química são usadas para projetar as drogas que atingirão os alvos definidos.
- Otimização de ensaios clínicos: Embora o uso de dados sintéticos para substituir pacientes ainda seja uma aspiração, a IA já ajuda a otimizar o desenho dos ensaios, encurtando o tempo e o custo até chegar a essa fase.
Essa evolução é alimentada pela combinação de IA com automação robótica para medições em laboratório e pela expansão das fontes de dados. A análise está se movendo além da genômica — o "projeto da casa no primeiro dia", como descreve Pande — para incluir dados de proteômica e outras fontes que fornecem um retrato do estado atual do corpo.
A promessa e o custo da medicina de precisão
O maior gargalo no desenvolvimento de fármacos continua sendo os ensaios clínicos. Pande afirma que a probabilidade de um medicamento passar com sucesso por todas as três fases de testes é de apenas 20%. Com custos que podem chegar a centenas de milhões de dólares por ensaio, o custo amortizado dos 80% que falham torna os medicamentos aprovados extremamente caros. A principal causa da falha, segundo ele, é que os modelos animais usados na fase pré-clínica são maus preditores dos resultados em humanos.
A expectativa é que os modelos de IA, treinados com dados humanos, sejam "muito melhores que qualquer modelo animal". Uma vez que essa barra seja cruzada, o potencial para a medicina se torna significativo, especialmente na área de medicina de precisão. O objetivo é substituir a abordagem de tentativa e erro, comum em tratamentos de câncer e outras doenças complexas, por uma escolha mais assertiva. Em vez de comparar os exames de um paciente com médias populacionais, a IA permite analisar o que é atípico para aquele indivíduo específico, possibilitando a prescrição do medicamento certo na primeira tentativa.
Análise IA News
A leitura da nossa redação
A mudança de estratégia de Vijay Pande, uma figura influente no nexo entre tecnologia e biologia, não é apenas uma preferência pessoal; é um barômetro do amadurecimento do setor. A tese de investimento concentrado é uma resposta direta à realidade de que, em biotecnologia, o 'fosso' competitivo é construído com dados caros e exclusivos, não com algoritmos facilmente replicáveis. Ao contrário da IA de consumo, onde gigantes como Google e Meta se beneficiam de dados públicos em escala, o futuro da IA em saúde será um arquipélago de especialistas, cada um dominando um nicho com seu acervo de dados proprietário.
Isso cria um cenário de 'vencedor-leva-a-maior-parte' dentro de cada subcategoria de doença ou tecnologia. Uma startup que consegue gerar um conjunto de dados único sobre uma forma rara de câncer, por exemplo, se torna um alvo de aquisição ou parceria muito mais valioso do que uma que simplesmente aplica um algoritmo conhecido a dados genéricos. O modelo da VZVC, portanto, é menos sobre teoria de portfólio e mais sobre construção de empresas, reconhecendo que o principal ativo a ser construído é o de dados.
O paradoxo é que, enquanto a IA tem o potencial de quebrar silos entre especialidades médicas — Pande cita o exemplo da oncologia e endocrinologia —, a dinâmica de negócios baseada em dados proprietários está erguendo novos silos entre as empresas. O desafio de longo prazo será encontrar maneiras de obter insights agregados a partir desses conjuntos de dados fragmentados, sem comprometer a vantagem competitiva que os originou. A padronização de dados e os consórcios de compartilhamento podem ser uma solução, mas o caminho até lá é incerto.
Nos próximos anos, será crucial observar dois indicadores. Primeiro, se as drogas desenvolvidas com essa abordagem centrada em IA e dados proprietários conseguirão, de fato, superar a taxa de sucesso de 20% nos ensaios clínicos. Segundo, como as agências reguladoras se adaptarão a dossiês de medicamentos cuja lógica de desenvolvimento está contida em modelos de 'caixa-preta' e dados que nenhuma outra entidade possui.
Contexto para empresários e decisores
O mercado brasileiro de saúde, apesar de seu tamanho e potencial, enfrenta barreiras significativas para adotar o modelo de 'deep tech' em biotecnologia com IA. O acesso a capital de risco com apetite para investimentos de longo prazo e alta intensidade de P&D, como os propostos por Pande, é escasso. A geração de dados biológicos proprietários é um processo caro que coloca startups nacionais em desvantagem competitiva frente a players internacionais. Adicionalmente, a regulamentação de dados de saúde, como a LGPD, embora necessária, impõe uma camada extra de complexidade para a criação de bancos de dados para treinamento de IA. A adoção de ponta, portanto, tende a ser liderada por filiais de grandes farmacêuticas ou por meio de parcerias com empresas estrangeiras, com o desenvolvimento local focado em nichos mais específicos ou adaptações de tecnologias existentes.
Impactos para empresas
- 1Aumento da eficiência em P&D de fármacos, reduzindo o tempo e custo para chegar aos ensaios clínicos, o que pode levar a um portfólio de medicamentos mais inovador e com time-to-market acelerado.
- 2Criação de fossos competitivos baseados em dados, tornando a entrada no mercado de biotecnologia com IA extremamente capital-intensiva e beneficiando empresas que já possuem ou podem gerar grandes volumes de dados proprietários.
- 3Necessidade de novas competências internas, forçando empresas farmacêuticas e de saúde a integrar equipes de ciência de dados, bioinformática e engenharia de machine learning diretamente nos processos de P&D.
- 4Mudança no perfil de M&A e parcerias, com grandes farmacêuticas buscando startups que possuam não apenas uma molécula promissora, mas um 'motor' de IA e dados proprietários validado, o que eleva o valuation desses alvos.
Conclusão editorial
A transição de capital de risco de um modelo de volume para um de concentração em 'bio-AI' é uma adaptação estrutural à natureza da tecnologia, não uma tendência passageira. O 'fosso de dados' é o fator decisivo, e o valor será criado por players com estratégias de longo prazo para gerar ativos de informação exclusivos. Para empresas brasileiras, a mensagem é que a competição em IA para saúde exige mais do que talento em software; demanda uma estratégia deliberada e bem-financiada de geração de dados proprietários.
— Redação IA News
Fontes utilizadas
Apuração, análise e conclusão editorial produzidas pela redação do IA News a partir das fontes acima. O conteúdo não reproduz o texto original.