Top 10 Softwares de Descoberta de Medicamentos

O mercado de softwares de descoberta de medicamentos divide-se em três categorias: suítes de química computacional para design baseado em estrutura, plataformas nativas de IA para química generativa e identificação de alvos, e sistemas de gerenciamento de dados de P&D para ELN, LIMS, acompanhamento de síntese, análise de dados e registro de compostos.

Comparamos as 10 principais plataformas de descoberta de medicamentos em recursos, preços e modelos de implantação.

Comparação de implantação e preços dos 10 principais softwares de descoberta de medicamentos

Observação: os produtos estão listados em ordem alfabética. Nenhum dos produtos oferece planos gratuito ou testes.

Comparação de recursos de softwares de descoberta de medicamentos

AIDDISON

AIDDISON é uma plataforma nativa em nuvem de descoberta de medicamentos que combina IA generativa com ferramentas de design de fármacos auxiliado por computador. Ela suporta geração molecular, triagem virtual, previsão de ADMET, buscas por farmacóforos e similaridade, docking molecular e planejamento de retrossíntese.

Suas principais capacidades incluem:

• Design molecular generativo: cria novas moléculas pequenas e as otimiza para semelhança a fármacos, propriedades ADMET, afinidade de ligação e sintetizabilidade.
• Busca no espaço químico: pesquisa mais de 60 bilhões de moléculas conhecidas e virtuais usando métodos de similaridade, subestrutura e farmacóforo.
• Docking molecular: visualiza interações proteína-ligante, identifica bolsas de ligação e avalia a ligação de candidatos.
• Planejamento de síntese: conecta o design virtual de moléculas com retrossíntese e materiais de partida disponíveis comercialmente.
• Previsões personalizadas: permite que equipes usem modelos de IA/ML existentes ou treinem modelos com seus próprios dados.

AIDDISON é mais adequado para equipes de química medicinal que buscam um fluxo de trabalho integrado e assistido por IA, do design de moléculas ao planejamento de síntese.

BIOVIA Discovery Studio

O BIOVIA Discovery Studio oferece um pipeline de ponta a ponta, da identificação de alvos até a otimização de leads. A ferramenta integra-se à plataforma 3DEXPERIENCE da Dassault Systèmes para gerenciamento de dados empresariais e conformidade regulatória.

O BIOVIA Discovery Studio abrange as principais partes da descoberta computacional de medicamentos:

• Simulações: dinâmica molecular, cálculos de energia gratuito e outras ferramentas de simulação para estudar o comportamento e as interações moleculares.
• Design baseado em estrutura: ferramentas para docking proteína-ligante, design baseado em fragmentos e otimização de compostos usando informações estruturais 3D.
• Design baseado em ligantes e farmacóforos: métodos para design de novo de fármacos, perfil de atividade, design multi-alvo e descoberta de moléculas com padrões de interação desejados.
• Bioterapêuticos e modelagem de anticorpos: ferramentas in silico para modelagem de anticorpos, engenharia de proteínas e otimização de biológicos.
• Design e análise de macromoléculas: ferramentas para análise e design de proteínas, ácidos nucleicos e outras grandes moléculas biológicas.
• QSAR, ADMET e toxicologia preditiva: insights preditivos para farmacocinética, segurança, toxicidade e propriedades semelhantes a fármacos.
• Visualização: um visualizador gratuito de design molecular para visualizar, manipular e analisar estruturas biológicas e químicas.

O BIOVIA Discovery Studio é mais adequado para grandes empresas que exigem conformidade regulatória.

Figura 1: painel de simulações do BIOVIA Discovery Studio.¹

BioSolveIT

A BioSolveIT oferece um conjunto de ferramentas visuais computacionais para descoberta de medicamentos. Seus produtos incluem SeeSAR para design molecular, infiniSee para navegação no espaço químico e HPSee para triagem virtual de alto desempenho.

Seus principais recursos incluem:

• Design visual de fármacos: o SeeSAR suporta docking molecular, otimização de compostos, design baseado em fragmentos e análise de interações proteína-ligante.
• Exploração do espaço químico: o infiniSee pesquisa coleções ultragrandes de compostos por moléculas estruturalmente ou farmacoforicamente semelhantes.
• Docking em larga escala: o Chemical Space Docking explora bilhões de compostos usando triagem baseada em estrutura.
• Fluxos de trabalho de alto desempenho: o HPSee distribui cargas de triagem e docking em uma infraestrutura de computação dedicada.
• Ferramentas especializadas de modelagem: a suíte inclui ferramentas para docking, pontuação, alinhamento molecular, exploração de bolsas, geração de conformeros e scaffold hopping.

A BioSolveIT é mais adequada para químicos medicinais e computacionais que priorizam fluxos de trabalho visuais, docking molecular e exploração de grandes espaços químicos.

ChemAxon

A ChemAxon oferece infraestrutura de quimioinformática, incluindo seu editor de estruturas químicas Marvin e os mecanismos JChem, para padronização de dados químicos. A plataforma suporta implantação em nuvem e on-premise com APIs Java e REST para integração.

Exemplo real do Marvin da Chemaxon:

Uma grande empresa farmacêutica global usou o editor químico Marvin da Chemaxon para melhorar o gerenciamento de dados químicos em um aplicativo de desktop de visualização e análise de dados.

A empresa precisava de uma ferramenta de desenho químico que pudesse se integrar facilmente à infraestrutura existente antes de um prazo iminente de entrada em operação. Os requisitos incluíam suporte à notação SMILES/SMARTS, mapeamento de reações, tratamento de estereoquímica, enumeração de estruturas Markush e uma API .NET robusta para integração.

A Chemaxon implementou o Marvin para mais de 300 usuários e atualizou um grupo menor de usuários do Marvin JS para o ambiente Marvin mais recente. A empresa integrou o complemento da API .NET ao sistema existente da empresa, e a integração completa com o aplicativo de análise de desktop foi concluída em cerca de uma a duas semanas.

O projeto ajudou a empresa a cumprir seu cronograma de lançamento sem comprometer os requisitos funcionais, técnicos ou de negócios. Também simplificou o licenciamento ao consolidar as licenças da Chemaxon em um único período de 19 meses, reduzindo a complexidade de aquisição.²

A Chemaxon é mais adequada para organizações que precisam de padronização de dados químicos e integração de API.

Cresset Flare

A modelagem de ligantes baseada em campo eletrostático do Cresset Flare, usando o campo de força XED, permite scaffold hopping e design de ligantes sem depender de estruturas cristalinas de proteínas. O Flare suporta cálculos de RBFE e geração de conformeros macrocíclicos dentro de seu framework FEP.

• 2D Mapas de interação: resume as interações ligante-proteína em uma visualização 2D clara para facilitar a interpretação.
• Activity Atlas: fornece insights qualitativos de SAR para ajudar a entender como mudanças moleculares afetam a atividade.
• Activity Miner: identifica penhascos de atividade e seletividade em datasets de SAR.
• FieldTemplater: ajuda a prever modos de ligação quando os dados da estrutura cristalográfica de proteínas não estão disponíveis.
• Free Energy Perturbation (FEP): apoia a otimização de leads ao prever quais mudanças de ligantes têm mais probabilidade de melhorar a ligação.
• Assistente de codificação com IA: apoia scripts, automação de fluxos de trabalho e personalização de métodos, ajudando os usuários a escrever ou refinar código para fluxos de trabalho de análise relacionados ao Flare.

O Cresset Flare é mais adequado para químicos medicinais que trabalham sem estruturas cristalinas.

Figura 2: exemplo do assistente de codificação com IA do Flare.³

Dotmatics

A Dotmatics oferece uma plataforma integrada de informática científica que abrange ELN, BioRegister, registro de compostos e gerenciamento de dados de ensaios, com visualização Studies e Vortex. A plataforma oferece integração em todo o portfólio da Dotmatics, incluindo Geneious e Prism.

O Luma da Dotmatics é uma plataforma de P&D multimodal e nativa em IA que integra dados científicos, fluxos de trabalho, análises e ferramentas de IA em um único ambiente. Ele foi projetado para ajudar equipes de pesquisa a transformar dados brutos de laboratório em insights científicos utilizáveis com mais rapidez. O Luma funciona em quatro etapas principais:

• Captura de dados: o Luma conecta-se a instrumentos de laboratório, ELNs, registros, uploads de CROs, arquivos, aplicações científicas e sistemas externos. O Luma Lab Connect pode coletar dados de instrumentos baseados em arquivos, pastas do Windows ou Linux, buckets S3, APIs e fontes SQL/JSON/CSV.
• Processamento de dados: depois que os dados são capturados, o Luma analisa arquivos brutos, extrai metadados e converte as saídas dos instrumentos em formatos estruturados e analisáveis.
• Harmonização e gerenciamento de dados: o Luma reúne diferentes tipos de dados, incluindo estruturados, semiestruturados, não estruturados, sequências, numéricos, texto, imagem e metadados.
• Análise e insights habilitados por IA: os pesquisadores podem pesquisar, visualizar, consultar, modelar e analisar dados harmonizados dentro da plataforma ou via APIs. O Luma também suporta consultas em linguagem natural e casos de uso de IA generativa, ajudando cientistas a explorar relações complexas entre datasets.

A Dotmatics é mais adequada para grandes empresas biofarmacêuticas e CROs que exigem um sistema de registro governado.

OpenEye Scientific Suite Orion

A OpenEye Scientific, agora parte da Cadence Molecular Sciences, diferencia-se por sua plataforma Orion nativa em nuvem e pelo kit de ferramentas OEChem focado em desenvolvedores. A suíte inclui ROCS para triagem baseada em forma, EON para comparação eletrostática, OMEGA para geração de conformeros e FRED para docking.

O Orion opera na AWS e na Cadence OnCloud sem opção de instalação on-premise, visando organizações que constroem pipelines computacionais personalizados.

A OpenEye Scientific Suite Orion é mais adequada para desenvolvedores que constroem pipelines personalizados.

Figura 3: painel de simulação e análise 3D do Orion.⁴

Recursion OS

O Recursion OS viabiliza um dataset fenotípico massivo gerado por imagem automatizada de alto rendimento de fenótipos celulares, processado por visão computacional e pela infraestrutura de supercomputação BioHive. A plataforma inclui o Map of Biology, que visualiza relações biológicas, e gerou aproximadamente 65 petabytes de dados proprietários.

Recursion LOWE:

O LOWE é o mecanismo de fluxo de trabalho orquestrado por LLM da Recursion, um sistema habilitado por IA dentro da plataforma Recursion OS projetado para apoiar fluxos de trabalho complexos de descoberta de medicamentos por meio de interação em linguagem natural.

Ele permite que pesquisadores consultem os datasets biológicos e químicos da Recursion, explorem potenciais relações fármaco-alvo, gerem e priorizem novos compostos, avaliem propriedades como ADMET e solubilidade e coordenem atividades posteriores, incluindo planejamento de síntese e execução experimental.

O LOWE funciona como uma camada inteligente de orquestração de fluxos de trabalho que conecta os datasets proprietários, modelos preditivos, recursos de química generativa e operações de laboratório da Recursion.⁵

A Recursion é mais adequada para programas de doenças raras e reposicionamento de medicamentos.

Schrödinger small-molecule drug discovery suite

A Schrödinger diferencia-se por meio de cálculos baseados em física de Free Energy Perturbation (FEP+) que preveem afinidade de ligação. A suíte integra Glide para docking, WaterMap para termodinâmica de hidratação e Prime para previsão de estruturas de proteínas na interface gráfica Maestro.

Exemplo real do programa proprietário da Schrödinger:

A plataforma de química digital da Schrödinger ajudou a identificar o SGR-1505, um novo inibidor de MALT1, como candidato a desenvolvimento em 10 meses. O programa focou no MALT1, um alvo implicado na regulação de linfócitos e relevante para malignidades de células B recidivantes ou refratárias, incluindo leucemia linfocítica crônica. Abordagens anteriores de inibidores de MALT1 enfrentaram problemas com propriedades semelhantes a fármacos, então o objetivo era encontrar uma molécula pequena potente com melhor equilíbrio entre potência, permeabilidade, solubilidade e desenvolvibilidade geral.

A equipe usou um fluxo de trabalho de design-prever-fazer-testar-analisar apoiado por modelagem baseada em física, aprendizado de máquina, modelos preditivos de ADMET e análise de dados. Eles avaliaram computacionalmente mais de 8 bilhões de compostos, usaram o WaterMap para analisar o sítio de ligação, aplicaram design de novo e enumeração ciente de síntese para gerar ideias e usaram FEP+ para prever afinidade de ligação relativa. O LiveDesign foi usado para centralizar dados modelados e experimentais para tomada de decisão colaborativa.

Nos primeiros três meses, a equipe avaliou mais de 1.700 moléculas usando Active Learning FEP+ e identificou duas novas séries potentes de inibidores de MALT1 após sintetizar menos de 50 compostos. Depois disso, eles usaram otimização multiparâmetro para equilibrar potência, solubilidade e permeabilidade. A equipe avaliou mais de 5.000 ideias, e 43 compostos atenderam aos critérios do programa, e um subconjunto menor avançou para síntese e testes.

O resultado foi o SGR-1505, selecionado em 10 meses após 78 compostos serem sintetizados na série líder e 129 compostos ao longo de todo o programa. A Schrödinger apresenta o caso como evidência de que combinar triagem computacional em larga escala, previsão baseada em física, aprendizado de máquina e informática colaborativa pode reduzir o número de compostos que precisam ser sintetizados, acelerando o caminho da descoberta de hits até um candidato a desenvolvimento.⁶

A Schrödinger é mais adequada para equipes farmacêuticas e de biotecnologia que exigem modelagem de potência de alta precisão.

Optibrium StarDrop

O Optibrium StarDrop é especializado em otimização multiparâmetro (MPO) para otimização de leads. A plataforma oferece implantação em desktop e nuvem com preços modulares para módulos de ADMET, química generativa e design 3D.

Exemplo real da adMare com o StarDrop:

O trabalho da adMare, uma empresa canadense de ciências da vida, abrange desde a identificação inicial de leads até a seleção de candidatos clínicos, exigindo que os químicos avaliem a potência dos compostos, as características ADME, as propriedades físico-químicas, a seletividade e relações estrutura-atividade mais amplas. O StarDrop apoia esse processo ajudando os pesquisadores a organizar, visualizar e interpretar datasets complexos de compostos com mais eficiência.

Uma aplicação notável é a análise de patentes. Quando os químicos extraem grandes números de compostos da literatura de patentes, os recursos de clustering, análise de similaridade, visualização de espaço químico e Card View do StarDrop ajudam a identificar pontos de partida relevantes e a entender como as séries de compostos foram otimizadas.

A equipe também usa o StarDrop para examinar tendências de SAR, comparar valores de pIC50, prever propriedades como logP e logD usando QSAR de ADME, preparar bibliotecas de compostos para estudos de docking e triar bibliotecas virtuais com o eSim3D.⁷

O Optibrium StarDrop é mais adequado para químicos medicinais que priorizam ADMET e otimização de leads.

Não perca os nossos benchmarks e insights baseados em dados. O botão abre o Google; selecionar a AIMultiple confirma que deseja ver a AIMultiple com mais frequência nos resultados de pesquisa do Google.

Adicionar como fonte preferencial

Considerações regulatórias e de conformidade para a descoberta de medicamentos assistida por IA

As agências reguladoras começaram a formalizar diretrizes para IA/ML no desenvolvimento de medicamentos. Em janeiro de 2025, o FDA publicou um projeto de diretriz sobre “Considerações para o Uso de Inteligência Artificial no Apoio à Tomada de Decisões Regulatórias”, propondo uma estrutura de avaliação de credibilidade baseada em risco para modelos de IA usados em contextos não clínicos, clínicos e de manufatura.⁸ A diretriz exclui explicitamente atividades de descoberta de medicamentos, concentrando-se em dados que apoiam decisões regulatórias.⁹

Em janeiro de 2026, o FDA e a EMA publicaram conjuntamente “Princípios Orientadores de Boas Práticas de IA no Desenvolvimento de Medicamentos”, estabelecendo dez princípios de alto nível que abrangem design centrado no ser humano e requisitos de validação proporcionais ao longo do ciclo de vida dos medicamentos.¹⁰ As agências enfatizaram que os sistemas de IA devem apoiar, e não substituir, o julgamento humano, com requisitos de validação dimensionados ao impacto potencial do sistema de IA.¹¹

Cite esta pesquisa

Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Top 10 Softwares de Descoberta de Medicamentos}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/drug-discovery-software}},
  note   = {AIMultiple. Acessado em 22 Julho 2026}
}

Links de referência

1.

Molecular Dynamics Simulations | BIOVIA - Dassault Systèmes

3ds

2.

How a Global Pharma Leader Transformed Chemical Data Management with Marvin, Chemaxon’s chemical editor

Certara

3.

cresset-group.com | 520: Web server is returning an unknown error

4.

Cloud Based Computational Chemistry Software

5.

LOWE | Recursion

6.

Hit to development candidate in 10 months: Rapid discovery of a novel, potent MALT1 inhibitor - Schrödinger

Schrödinger

7.

Supporting Canadian chemistry pioneers with fast SAR analysis - Optibrium

Optibrium

8.

Federal Register :: Considerations for the Use of Artificial Intelligence To Support Regulatory Decision-Making for Drug and Biological Products; Draft Guidance for Industry; Availability; Comment Request

9.

FDA Publishes Draft Guidance on Use of Artificial Intelligence in the Development of Drugs and Biological Products - January 2025

10.

EMA and FDA set common principles for AI in medicine development | European Medicines Agency (EMA)

11.

https://www.fda.gov/media/189581/download

Sıla Ermut

Analista do Setor

Siga-nos

Sıla Ermut é analista do setor na AIMultiple, cobrindo AI models, infraestrutura de IA, governança de IA e aplicações empresariais de IA. Sua pesquisa concentra-se principalmente no uso de IA em marketing, saúde, cadeias de suprimentos e sustentabilidade.
Anteriormente, trabalhou como recrutadora em empresas de gestão de projetos e consultoria. Sıla possui mestrado em Psicologia Social e bacharelado em Relações Internacionais.

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.

Nome

Endereço de email

Comentário

0/450

Postar comentário