Durante décadas, a discussão sobre métodos alternativos se concentrou em uma pergunta: como reduzir ou substituir o uso de animais na pesquisa?
Hoje, essa questão começa a ganhar uma nova dimensão.
Organoides, sistemas organ-on-a-chip, modelos celulares avançados, inteligência artificial e simulações computacionais estão ampliando as possibilidades da pesquisa não clínica. Ao mesmo tempo, órgãos reguladores começam a criar caminhos para incorporar essas tecnologias à avaliação de medicamentos.
Por isso, surge uma nova pergunta: o que acontece quando substituir os animais deixa de ser apenas uma meta e passa a fazer parte de uma transformação mais ampla da ciência?
A resposta pode estar em uma mudança de paradigma. Em vez de buscar apenas um substituto para cada teste animal, a pesquisa começa a combinar diferentes tecnologias para construir evidências mais relevantes para a biologia humana.
Dos 3Rs às New Approach Methodologies
O conceito dos 3Rs — Replacement, Reduction and Refinement — orienta há décadas o desenvolvimento de estratégias para substituir, reduzir e refinar o uso de animais.
Na União Europeia, por exemplo, a legislação estabelece a substituição completa dos procedimentos com animais como objetivo final, sempre que isso for cientificamente possível. Além disso, a European Medicines Agency (EMA) apoia o desenvolvimento e a incorporação de métodos compatíveis com os 3Rs.
Nesse cenário, ganharam força as chamadas New Approach Methodologies (NAMs).
O termo abrange diferentes abordagens capazes de gerar informações sobre segurança, toxicidade, eficácia ou mecanismos biológicos sem depender necessariamente dos modelos animais tradicionais.
Entre elas estão sistemas celulares, organoides, modelos organ-on-a-chip e ferramentas computacionais.
Portanto, a mudança não envolve apenas uma questão ética. Ela também envolve uma pergunta científica: podemos desenvolver modelos que representem melhor aquilo que queremos prever?
Organoides aproximam o laboratório da biologia humana
Os organoides estão entre as tecnologias que ajudam a responder essa pergunta.
Eles são estruturas tridimensionais derivadas de células capazes de reproduzir algumas características de tecidos e órgãos. Assim, oferecem um nível de organização biológica maior do que culturas celulares bidimensionais convencionais.
Pesquisadores podem utilizar esses sistemas para estudar diferentes fenômenos biológicos, doenças e respostas a substâncias.
Além disso, determinados organoides podem utilizar células humanas. Isso abre possibilidades para investigar respostas mais próximas da biologia da nossa espécie.
No entanto, organoides também apresentam limitações. Eles não reproduzem, sozinhos, toda a complexidade de um organismo.
Por isso, o futuro provavelmente não dependerá de uma única tecnologia.
Organ-on-a-chip adiciona dinâmica aos modelos
Os sistemas organ-on-a-chip avançam em outra direção.
Esses dispositivos procuram reproduzir aspectos do ambiente físico e funcional encontrado nos tecidos. Para isso, podem combinar células com microcanais, fluxo de líquidos e outras condições controladas.
Dessa forma, os pesquisadores conseguem estudar fenômenos que uma cultura celular estática pode representar de maneira limitada.
Além disso, sistemas mais complexos podem conectar diferentes componentes. Essa possibilidade é importante porque toxicidade, metabolismo e resposta farmacológica frequentemente dependem da interação entre diferentes órgãos.
A própria EMA identifica organoides e organ-on-a-chip, juntamente com modelagem in silico, entre as abordagens alternativas com potencial para criar ferramentas científicas mais preditivas.
Portanto, esses modelos podem contribuir para uma transição de experimentos isolados para sistemas experimentais mais integrados.
E onde entram os métodos computacionais?
Nem toda experimentação precisa ocorrer em um sistema físico.
Modelos computacionais já permitem prever propriedades químicas, explorar interações moleculares e integrar grandes conjuntos de dados.
Assim, abordagens in silico podem complementar organoides, culturas celulares e sistemas microfisiológicos.
Imagine, por exemplo, que um modelo computacional identifique determinado mecanismo como possível fonte de toxicidade. Em seguida, pesquisadores podem selecionar um sistema celular adequado para investigar essa hipótese.
Os resultados experimentais, por sua vez, podem alimentar novos modelos computacionais.
Dessa maneira, surge um ciclo:
predição → experimento → dados → refinamento → nova predição.
Esse processo se aproxima da lógica que discutimos anteriormente no blog da DruGet sobre a integração entre simulação e pesquisa experimental.
Conheça o post da DruGet sobre “O futuro da descoberta de alvos moleculares via simulação”]
Inteligência artificial pode integrar diferentes tipos de evidência
A inteligência artificial acrescenta outra camada a esse processo.
Modelos de aprendizado de máquina conseguem trabalhar com grandes volumes de dados químicos e biológicos. Além disso, podem identificar relações difíceis de perceber por análises convencionais.
Isso se torna especialmente importante quando diferentes métodos começam a produzir informações complementares.
Um experimento pode fornecer dados celulares. Outro pode avaliar metabolismo. Um modelo computacional pode estimar propriedades moleculares. Já um sistema microfisiológico pode revelar uma resposta funcional.
Nesse contexto, a IA pode ajudar a integrar informações e identificar padrões.
Consequentemente, o futuro dos métodos alternativos pode depender menos de um modelo perfeito e mais da combinação inteligente de diferentes fontes de evidência.
O futuro pode estar na integração
Essa mudança já aparece em estratégias de avaliação integrada.
A Organisation for Economic Co-operation and Development (OECD), por exemplo, trabalha com os chamados Integrated Approaches to Testing and Assessment (IATA).
Essas abordagens podem combinar informações provenientes de métodos in vitro, in chemico, in silico, tecnologias ômicas, dados existentes e outras fontes. Além disso, novos testes são realizados apenas quando as informações disponíveis não conseguem responder adequadamente à pergunta científica.
Isso muda a lógica tradicional.
Em vez de perguntar:
“Qual teste substitui este experimento animal?”
podemos começar a perguntar:
“Qual combinação de evidências responde melhor à pergunta que precisamos resolver?”
Essa diferença parece pequena, mas representa uma transformação profunda.
Substituir animais não significa substituir um modelo por outro
Um dos riscos dessa transição seria imaginar que existe uma tecnologia capaz de reproduzir sozinha toda a complexidade biológica.
Provavelmente, esse não será o caminho.
Um organoide possui vantagens e limitações. O mesmo ocorre com um organ-on-a-chip, um modelo computacional ou uma cultura celular.
Por isso, diferentes ferramentas podem responder a perguntas diferentes.
O avanço está justamente em compreender qual método utilizar, para qual finalidade e dentro de qual contexto.
Assim, a substituição deixa de significar a busca por uma cópia artificial de um organismo inteiro.
Em vez disso, pesquisadores podem decompor um problema complexo e selecionar as ferramentas mais adequadas para cada parte dele.
O grande desafio: validação
Criar uma tecnologia inovadora não significa que ela possa entrar imediatamente em um processo regulatório.
Antes disso, é necessário demonstrar que o método produz resultados confiáveis dentro de um contexto de uso definido.
Reprodutibilidade, robustez, relevância biológica e capacidade preditiva estão entre os aspectos que precisam de avaliação.
Esse ponto ganhou ainda mais importância recentemente.
Em 2025, a U.S. Food and Drug Administration (FDA) apresentou um roteiro para reduzir testes animais em estudos pré-clínicos e ampliar o uso de métodos humanos-relevantes. Entre as tecnologias mencionadas estão modelos computacionais, organoides e sistemas organ-on-a-chip.
Já em março de 2026, a agência publicou uma orientação preliminar dedicada às considerações gerais para uso e validação de NAMs no desenvolvimento de medicamentos.
Conheça a página da FDA sobre New Approach Methodologies (NAMs)
Portanto, o próximo desafio não é apenas tecnológico. É também regulatório.
A aceitação regulatória começa a avançar
Em setembro de 2026, a EMA lançou um programa piloto para submissão voluntária de dados relacionados a NAMs.
A iniciativa permite que empresas, desenvolvedores de métodos, organizações de pesquisa e laboratórios acadêmicos apresentem dados e recebam feedback sobre a maturidade regulatória da metodologia.
Segundo a EMA, um dos problemas atuais é que os reguladores ainda recebem poucos dados de NAMs. Isso limita a construção da confiança necessária para ampliar seu uso regulatório.
O piloto busca justamente diminuir essa distância entre inovação científica e aplicação regulatória.
Esse movimento é importante porque uma metodologia alternativa precisa fazer mais do que funcionar em um laboratório.
Ela precisa produzir evidências suficientemente robustas para apoiar decisões.
O que vem depois da substituição?
Talvez essa seja a pergunta mais interessante.
Se conseguirmos reduzir progressivamente a dependência de animais, o próximo objetivo não deveria ser simplesmente declarar que encontramos substitutos.
Deveríamos buscar modelos melhores.
Modelos mais relevantes para humanos.
Mais mecanísticos.
Mais reproduzíveis.
Mais integrados.
E, principalmente, adequados à pergunta científica que queremos responder.
Por isso, o futuro pode não pertencer a uma única tecnologia revolucionária. Ele pode surgir da integração entre biologia humana, sistemas microfisiológicos, organoides, métodos computacionais, inteligência artificial e dados experimentais.
De métodos alternativos para uma nova ciência não clínica
Durante muito tempo, chamamos essas tecnologias de “alternativas” porque o modelo animal ocupava o centro da estratégia experimental.
No entanto, essa linguagem também pode mudar.
À medida que NAMs ganham maturidade científica e espaço regulatório, algumas dessas tecnologias podem deixar de ser vistas apenas como alternativas. Em determinados contextos, elas poderão se tornar parte da estratégia principal de geração de evidências.
O objetivo, portanto, não é simplesmente fazer a mesma ciência sem animais.
É construir uma ciência capaz de formular melhores modelos, integrar diferentes evidências e produzir previsões mais relevantes para humanos.
Nesse cenário, a substituição dos animais não representa o fim de uma transformação.
Pode representar apenas o começo.
