IA descobre vulnerabilidade comum a todos os coronavírus — e a transforma em candidato a vacina

Na primavera de 2026, uma equipe de pesquisa da Universidade de Cambridge anunciou resultados de um ensaio clínico de Fase I de uma vacina pan-coronavírus experimental — um candidato desenhado não para atingir uma cepa do SARS-CoV-2, mas para gerar uma resposta imune contra uma característica estrutural compartilhada por todos os coronavírus conhecidos. O estudo recrutou 96 adultos saudáveis no Reino Unido e foi projetado principalmente para avaliar segurança e dosagem ideal. Não foi desenhado para medir proteção contra infecção. Essa distinção importa, e é onde a maioria das reportagens iniciais foi imprecisa.

O candidato atingiu seu endpoint primário: nenhum evento adverso grave foi registrado, e todos os participantes geraram respostas de anticorpos mensuráveis contra o antígeno alvo. Dados de Fase I não nos dizem se esses anticorpos prevenirão doença no mundo real. O que estabelecem é que a vacina é segura o suficiente para prosseguir para estudos maiores — e que o processo de design orientado por IA produziu um antígeno que o sistema imunológico humano pode reconhecer e responder.

O problema das vacinas específicas para cepas

Toda vacina contra COVID-19 atualmente aprovada e em uso tem como alvo a proteína spike do SARS-CoV-2 — especificamente o domínio de ligação ao receptor (RBD), a região que o vírus usa para entrar nas células humanas. Essa foi uma escolha de design sensata: a proteína spike é altamente imunogênica e o RBD é essencial para a infecção. O problema é que a proteína spike sofre mutações rapidamente. As variantes que impulsionaram ondas sucessivas — Alpha, Delta, Ômicron e seus descendentes — todas carregavam mutações no RBD que evadiram parcialmente a imunidade de vacinas anteriores ou infecção prévia. Os fabricantes atualizaram repetidamente as sequências das vacinas para acompanhar a cepa circulante dominante, em um processo que lembra a atualização anual da vacina contra influenza.

O problema mais profundo é que a família dos coronavírus é grande. O SARS-CoV-2 é um dos sete coronavírus conhecidos por infectar humanos. O MERS-CoV, que causa a Síndrome Respiratória do Oriente Médio, tem uma taxa de letalidade de aproximadamente 35% e circula em populações de camelos em toda a Península Arábica e partes da África. Existem centenas de coronavírus de morcegos, vários dos quais já demonstraram capacidade de infectar células humanas em condições de laboratório. Uma vacina específica para cepa contra o SARS-CoV-2 não oferece proteção cruzada contra nenhum deles.

Como a IA foi usada no processo de design

A abordagem da equipe de Cambridge começou com uma pergunta que pesquisas anteriores de vacinas não conseguiram responder computacionalmente em escala: em toda a diversidade de coronavírus, existem regiões estruturais que não mudam — e, em caso afirmativo, pode-se projetar um antígeno para fazer o sistema imunológico atacar exatamente essas regiões?

Três métodos de IA foram aplicados em sequência.

AlphaFold para predição estrutural. A equipe usou o AlphaFold 3 para prever a estrutura tridimensional de proteínas de dezenas de cepas de coronavírus — incluindo cepas para as quais nenhuma estrutura cristalográfica experimental existia. A capacidade do AlphaFold de prever o enovelamento de proteínas apenas a partir da sequência de aminoácidos significou que regiões estruturalmente conservadas puderam ser identificadas sem os anos de trabalho de bancada anteriormente necessários para determinar cada estrutura experimentalmente. Os pesquisadores identificaram um segmento do peptídeo de fusão — uma região que o vírus usa para fundir sua membrana com a de uma célula hospedeira — que manteve geometria quase idêntica em todos os coronavírus analisados.

Mapeamento de epítopos baseado em ML. Modelos de Machine Learning treinados em bancos de dados de imunogenicidade foram usados para identificar quais sub-regiões do segmento estrutural conservado tinham maior probabilidade de serem reconhecidas por células T e B humanas — os componentes da imunidade adaptativa responsáveis pela proteção duradoura. Essa etapa filtrou regiões conservadas que, embora estruturalmente estáveis, dificilmente gerariam uma resposta imune robusta, e sinalizou aquelas com maior probabilidade de serem epítopos genuínos: alvos moleculares específicos que o sistema imunológico pode aprender a atacar.

Design generativo de antígenos. Em vez de usar a sequência peptídica natural como antígeno vacinal, a equipe aplicou um modelo generativo de ML para redesenhar a superfície do antígeno, preservando sua forma tridimensional e os resíduos-chave do epítopo. O objetivo era tornar o antígeno mais imunogênico — mais visível ao sistema imunológico — do que a sequência viral nativa, que os coronavírus evoluíram parcialmente para ocultar. Esse processo produziu várias sequências candidatas de antígenos que foram testadas primeiro em modelos de camundongos antes que o candidato principal fosse selecionado para testes em humanos.

O que "pan-coronavírus" significa na prática

Uma vacina pan-coronavírus tem como alvo regiões conservadas — partes de proteínas virais que não podem sofrer mutação sem destruir a capacidade do vírus de funcionar. A região do peptídeo de fusão em que a equipe de Cambridge se concentrou é conservada porque desempenha um papel mecanicamente essencial na infecção: insere-se na membrana da célula hospedeira para iniciar a fusão de membranas. Um vírus que sofresse mutação nessa região perderia a capacidade de infectar células e não sobreviveria para se replicar. A evolução travou essa sequência em toda a família dos coronavírus, exatamente o que a torna um alvo vacinal atraente.

"Pan-coronavírus" não significa que a vacina tenha garantia de funcionar contra todos os coronavírus em todas as situações. Significa que a resposta imune gerada é direcionada a um alvo que está estruturalmente presente em todos os coronavírus conhecidos — portanto, se essa resposta imune for eficaz, forneceria, em princípio, proteção cruzada em toda a família. O teste de Fase I confirmou que o sistema imunológico monta uma resposta contra o alvo. Se essa resposta se traduz em proteção clínica contra SARS-CoV-2, MERS-CoV ou um futuro coronavírus zoonótico hipotético é o que os estudos de Fase II e III visam determinar.

Teste de Fase I: o que foi medido e o que foi encontrado

O estudo no Reino Unido recrutou 96 adultos saudáveis de 18 a 65 anos em três coortes de dosagem. Os participantes receberam duas injeções intramusculares com 28 dias de intervalo. Os endpoints primários foram segurança — eventos adversos, anormalidades laboratoriais, qualquer evento adverso grave em 90 dias — e reatogenicidade: reações locais no local da injeção e sintomas sistêmicos como febre, fadiga e dor de cabeça. Os endpoints secundários mediram imunogenicidade: títulos de anticorpos séricos contra o antígeno alvo e atividade neutralizante contra modelos de pseudovírus de várias cepas de coronavírus.

Os resultados: nenhum evento adverso grave foi registrado em nenhuma coorte. A reatogenicidade ficou em linha com outras vacinas de subunidade proteica — dor no local da injeção e fadiga leve foram as reações mais comuns, tipicamente resolvendo em 48 horas. Todos os participantes soroconverteram, ou seja, todos desenvolveram respostas de anticorpos detectáveis. Na coorte de maior dose, os pesquisadores observaram anticorpos neutralizantes de reação cruzada contra modelos de pseudovírus de SARS-CoV-2 (cepa Wuhan e a subvariante Ômicron mais recente), SARS-CoV-1 e MERS-CoV. A magnitude das respostas neutralizantes foi menor do que as observadas após infecção natural por SARS-CoV-2 ou com as vacinas de mRNA atuais, o que os pesquisadores atribuem ao sistema imunológico ter tido menos exposição prévia a esse novo antígeno alvo.

Esses são resultados promissores de imunogenicidade para um primeiro estudo em humanos, mas não são dados de eficácia. Uma resposta de anticorpo neutralizante em um ensaio laboratorial não se traduz automaticamente em proteção clínica. Essa conexão precisa ser demonstrada em estudos maiores com endpoints reais de infecção.

O caminho para a aprovação

Os testes de Fase II, com previsão de início no final de 2026, sujeitos à revisão regulatória pela Agência Reguladora de Medicamentos e Produtos de Saúde do Reino Unido (MHRA), inscreverão várias centenas de participantes em faixas etárias mais amplas — incluindo idosos, nos quais as respostas imunes tipicamente diferem — e começarão a avaliar a imunogenicidade contra cepas circulantes de coronavírus em uma população maior e mais diversa. A Fase II também estenderá o monitoramento de segurança por um período de acompanhamento mais longo.

A Fase III — o estudo pivotal de eficácia — exigiria dezenas de milhares de participantes e coronavírus circulante suficiente para medir a proteção contra infecção ou doença grave. Os requisitos estatísticos para um teste de Fase III significam que é improvável que seja concluído antes de 2029 em um cronograma otimista. A aprovação regulatória pelo FDA, EMA ou pré-qualificação da OMS para distribuição global viria depois, adicionando mais tempo. O desafio de escalonamento da fabricação é substancial: o formato de subunidade proteica adjuvante usado pela equipe de Cambridge é mais complexo de produzir em escala do que as vacinas de mRNA, embora tenha a vantagem de não exigir armazenamento em ultrabaixa temperatura.

IA como infraestrutura para desenvolvimento de vacinas

O projeto pan-coronavírus de Cambridge é um de vários que ilustram uma mudança estrutural em como as vacinas são projetadas. O lançamento público do AlphaFold em 2021 removeu um grande gargalo — a determinação da estrutura proteica — dos estágios iniciais do design de antígenos vacinais. O que antes exigia anos de cristalografia de raios-X ou criomicroscopia eletrônica agora pode ser calculado em horas. Essa compressão não acelera os ensaios clínicos, que são governados pela biologia e requisitos regulatórios que não podem ser encurtados. Mas reduz drasticamente o tempo entre "identificar um alvo" e "ter um candidato a antígeno testável".

Os métodos de design generativo de antígenos aplicados neste trabalho ainda estão amadurecendo. Os modelos foram treinados principalmente em dados de famílias proteicas bem estudadas; sua confiabilidade para novos alvos virais depende de quão bem esses alvos se assemelham à distribuição de treinamento. O campo também está lidando com como validar antígenos gerados por IA — os ensaios laboratoriais de imunogenicidade são os mesmos de antes, e continuam sendo o gargalo após a fase de design computacional.

O que mudou é o espaço de hipóteses que os pesquisadores podem explorar. Uma equipe que anteriormente poderia avaliar de cinco a dez candidatos a antígenos antes de entrar em testes pré-clínicos agora pode examinar computacionalmente milhares de variantes de design e levar as poucas de melhor desempenho para o laboratório. Se mesmo uma fração dos candidatos resultantes tiver sucesso em testes humanos na taxa que o trabalho pan-coronavírus de Cambridge sugere ser possível, o pipeline desde a descoberta viral até o teste de Fase I — que levou cerca de 18 meses para as primeiras vacinas contra COVID-19 em condições de emergência — poderia se tornar realizável em menos de um ano para futuras ameaças pandêmicas. Isso não é uma garantia de que a ciência entregará nesse cronograma. É uma razão para acompanhar de perto os resultados da Fase II.