A investigação revista por pares, disponibilizada em acesso antecipado na Nature Communications em 2026, apresenta uma estrutura de inteligência artificial denominada E-MAF, que imita especialistas, com o objetivo de acelerar o desenvolvimento de sistemas poliméricos de libertação controlada. Ao combinar um modelo substituto com consciência do processo e um algoritmo genético otimizado, o E-MAF imita o raciocínio especializado, avançando de uma avaliação preliminar para um projeto detalhado, e produz formulações viáveis em laboratório e adequadas aos perfis de libertação pretendidos.
Os investigadores relataram que o sistema reduziu para cerca de 1 hora o ciclo de projeto, que normalmente demora 6-12 meses. Em estudos realizados com 7 ingredientes farmacêuticos ativos, foi indicado que a libertação in vitro, a farmacocinética in vivo e os efeitos terapêuticos igualaram ou superaram os padrões comerciais. O E-MAF também proporcionou perfis difíceis de obter com métodos tradicionais; enquanto a libertação súbita da risperidona no prazo de 1 h foi mantida em ≤2%, foi alcançada uma libertação in vivo a uma velocidade constante próxima de zero durante cerca de 28 dias. Os resultados indicam que a abordagem tem potencial para acelerar a transferência dos sistemas de libertação controlada e das tecnologias de administração de medicamentos para a aplicação clínica e a industrialização.
Os autores com contribuições iguais para o estudo foram identificados como Ying Qin, Rushuang Zhou, Yali Ming e Bohao Li; Yuedong Yang, Yining Dong ou Yufei Xia foram responsáveis pela correspondência. A investigação envolveu equipas ligadas à City University of Hong Kong, Chinese Academy of Sciences, University of Chinese Academy of Sciences, Sun Yat-sen University e Huili Pharmaceutical Co., Ltd. Foi comunicado que Y.H. e H.W., funcionários da Huili, forneceram dados exclusivos da empresa sobre formulações e processos. Foi apresentado um pedido de patente relativo ao E-MAF e às suas aplicações; Y.Q., R.Z. e Y.D. foram indicados como inventores. Os restantes autores não declararam conflitos de interesses.
Durante a preparação do artigo, ChatGPT e DeepSeek foram utilizados, sob supervisão dos autores, apenas para aperfeiçoamento linguístico. O estudo recebeu apoio de vários programas de investigação e fundos chineses. O artigo foi publicado sob a licença CC BY-NC-ND 4.0, e o respetivo DOI foi indicado como https://doi.org/10.1038/s41467-026-77619-5.
Porque é importante
Esta abordagem encurta o fluxo de trabalho entre a triagem de candidatos e a conceção detalhada de formulações de libertação controlada, permitindo às equipas de desenvolvimento de medicamentos determinar mais cedo a que opções devem dedicar os recursos laboratoriais. O facto de os resultados in vitro, in vivo e terapêuticos terem sido comparados com padrões comerciais faz com que as conclusões deixem de ser apenas uma alegação de desempenho computacional; no entanto, a avaliação limitou-se a sete princípios ativos farmacêuticos. Por esse motivo, continua por esclarecer se o mesmo sucesso poderá ser reproduzido com diferentes compostos, condições de produção e aplicações clínicas. Embora o fornecimento pela empresa de dados exclusivos sobre formulações e processos, bem como o pedido de patente, evidenciem a ligação à indústria, também mantêm em aberto as questões sobre até que ponto o método poderá ser reproduzido por equipas independentes e estará acessível.