Inteligência artificial ajuda a prever informações genéticas e pode transformar pesquisas em saúde

Estudo analisa como técnicas de aprendizado de máquina podem melhorar a análise de dados biomoleculares e apoiar avanços na medicina e na pesquisa científica

A crescente quantidade de dados gerados na área da saúde tem exigido novas formas de análise e interpretação. Um estudo recente com participação do professor Paulo Bandiera Paiva, vice-chefe do Departamento de Informática em Saúde da Escola Paulista de Medicina da Universidade Federal de São Paulo (Unifesp), investigou como técnicas de aprendizado de máquina (machine learning) podem ser aplicadas para prever e interpretar dados biomoleculares, especialmente na área genética.

Os dados biomoleculares incluem informações obtidas a partir de moléculas presentes no organismo — como DNA, proteínas e outras estruturas biológicas — que ajudam cientistas a compreender melhor o funcionamento do corpo humano e as origens de diversas doenças.

O artigo analisa diferentes métodos de inteligência artificial utilizados para interpretar esse tipo de informação. O objetivo foi comparar abordagens de machine learning quanto à precisão, eficiência e utilidade na análise de grandes volumes de dados biomoleculares.

O que é machine learning

O aprendizado de máquina é uma área da inteligência artificial que permite que sistemas computacionais identifiquem padrões em grandes conjuntos de dados e façam previsões ou classificações automaticamente. Em vez de seguir apenas regras programadas manualmente, os algoritmos aprendem a partir dos próprios dados.

Na área da saúde, essa tecnologia tem sido utilizada para apoiar desde diagnósticos médicos até pesquisas sobre genética, epidemiologia e descoberta de medicamentos.

Desafio: lidar com grandes volumes de dados

Com o avanço da chamada Indústria 4.0, houve um crescimento expressivo do volume de dados digitais disponíveis, incluindo registros clínicos, dados genéticos, informações de dispositivos médicos e até dados provenientes da Internet das Coisas.

Esse cenário tornou praticamente impossível analisar todas essas informações apenas com métodos tradicionais de pesquisa. Ferramentas de inteligência artificial passaram então a desempenhar um papel importante na identificação de padrões e relações que poderiam passar despercebidos em análises convencionais.

Segundo os autores do estudo, técnicas de machine learning apresentam vantagens importantes nesse contexto, como:

Aplicações na pesquisa genética

No campo da genética e da biologia molecular, o uso de inteligência artificial pode ajudar pesquisadores a identificar relações entre genes, prever comportamentos biológicos e compreender mecanismos associados a doenças.

Essas ferramentas podem contribuir, por exemplo, para:

Limitações e desafios

Apesar do potencial, o estudo também destaca que o uso dessas tecnologias ainda apresenta desafios. Entre eles estão a necessidade de dados de qualidade, a interpretação correta dos resultados produzidos pelos algoritmos e questões relacionadas à transparência e confiabilidade dos modelos de inteligência artificial.

Outro ponto importante é que essas ferramentas não substituem o trabalho dos pesquisadores e profissionais de saúde, mas funcionam como instrumentos de apoio à análise científica.

Inteligência artificial e o futuro da saúde

A aplicação de técnicas de inteligência artificial na análise de dados biomoleculares representa uma das fronteiras mais promissoras da saúde digital. Ao permitir que pesquisadores analisem grandes volumes de dados com maior rapidez e precisão, essas tecnologias podem acelerar descobertas científicas e contribuir para avanços no diagnóstico, na prevenção e no tratamento de doenças.

O estudo reforça o papel crescente da informática em saúde como área estratégica para integrar tecnologia, ciência de dados e conhecimento biomédico no enfrentamento dos desafios contemporâneos da saúde.

Ficha Técnica

Artigo Original:  Técnicas de machine learning aplicadas a predição de dados biomoleculares

Yasmin Vitória Da Silva Pedroso, Jéssica Karoline da Cunha, Joyce Nascimento Santos e Paulo Bandiera Paiva

Autor matéria: Andréa Pereira Simões Pelogi (Departamento de Informática em Saúde  (DIS) da Escola Paulista de Medicina (EPM)/Unifesp).

Revisão técnica: Paulo Bandiera Paiva(Docente do DIS/EPM).

Adaptação para divulgação científica: Andréa Pereira Simões Pelogi (Comunicação) .

Data de Publicação: 12/03/2026

Aviso: As informações apresentadas neste artigo têm caráter informativo e não substituem orientação profissional especializada. O Departamento de Informática em Saúde não se responsabiliza por eventuais erros ou interpretações incorretas do conteúdo divulgado.


Referências

[1] da Silva Pedroso, Y. V., da Cunha, J. K., Santos, J. N., & Paiva, P. B. (2026). Técnicas de machine learning aplicadas a predição de dados biomoleculares. Research, Society and Development, 15(3), e2315350648-e2315350648.