Meduzia
Join our Waitlist

A ciência por trás da Meduzia.

I · 01

Um problema de 50 anos, resolvido com simulação.

Cada proteína é uma cadeia que se dobra em uma forma, e dessa forma depende o que ela faz: se transporta oxigênio, se defende o corpo ou se causa doença. Durante meio século, a única maneira de conhecê-la foi vê-la em um laboratório. Até que a ciência aprendeu a calculá-la.

O nucleossomo, com dados reais do Protein Data Bank. Dá para girar.26

10300

formas possíveis de dobrar uma proteína típica. Testar todas levaria mais que a idade do universo.2

Meses

ou anos de laboratório para resolver a forma de uma única proteína.3

200 mi

de estruturas previstas pelo AlphaFold. Quase todas as proteínas conhecidas.4

  1. 1972

    A forma está escrita na sequência

    Christian Anfinsen ganha o Nobel por mostrar que a cadeia de aminoácidos de uma proteína determina a forma como ela se dobra. E dessa forma depende o que ela faz no corpo. Faltava a parte difícil: calcular essa forma sem precisar vê-la.1

  2. 1994

    Um teste às cegas, a cada dois anos

    Nasce o CASP. Os laboratórios resolvem estruturas e não as publicam. Quem faz previsões envia sua resposta sem vê-las. Depois, as duas são comparadas. Durante anos, ninguém chegou perto do que o laboratório media.2,3

  3. 2020

    O AlphaFold passa no teste

    No CASP14, o AlphaFold 2 prevê estruturas com um erro típico menor que a largura de um átomo, no nível dos métodos de laboratório. O segundo melhor método ficou quase três vezes mais longe.2,3

  4. 2022

    De cem mil a duzentos milhões

    Em meio século, o laboratório tinha resolvido cerca de cem mil proteínas, cada uma com meses ou anos de trabalho. A base do AlphaFold publica mais de 200 milhões: quase todas as conhecidas.3,4

  5. 2024

    O Nobel, e o passo seguinte

    Hassabis e Jumper dividem o Nobel de Química com David Baker. No mesmo ano, o AlphaFold 3 já não prevê uma proteína sozinha: prevê como ela se junta a outras moléculas. Com isso, a Isomorphic Labs projeta medicamentos no computador antes de ir ao laboratório.5,6,7
AlphaFold: The making of a scientific breakthrough · Google DeepMind

O que tornou o AlphaFold confiável foi o teste às cegas: previu formas que ninguém tinha visto.

Depois, foi comparado com o laboratório e coincidiu. Essa é a ideia que adotamos: uma réplica ganha confiança comparando-se com a realidade.

I · 02

A medicina já faz ensaios com pacientes que não existem.

Testar um tratamento em pessoas é lento e caro. Por isso a medicina aprendeu a ensaiar antes no computador, com pacientes virtuais montados com os dados de pacientes reais: testa-se tudo ali e chega-se ao ensaio com o melhor.

Um dia de 300 pacientes virtuais

Ilustração do simulador UVA/Padova · arraste o gráfico para escolher o horário

12:00
AdultosAdolescentesCrianças
Faixa-alvo80120160200Café da manhãAlmoçoJantar00h06h12h18h24h
AdultosAdolescentesCriançasNa faixaDepois de comerRefeições: 8h, 13h e 20h30

300

pacientes virtuais, aceitos pela FDA

300 pacientes virtuais com diabetes

As universidades da Virgínia e de Pádua criam 300 pacientes simulados, adultos, adolescentes e crianças, com a variedade metabólica da população real. A FDA aceita o modelo no lugar dos testes em animais para testar pâncreas artificiais.9,10
O que mostrou
Um órgão regulador aceitou um modelo validado como evidência.
Como é usado
Como etapa prévia ao ensaio com pessoas: chega-se com o que já foi testado.

Hoje a lei também diz isso. Desde 2022, nos EUA, um medicamento pode chegar às pessoas com testes feitos no computador, e em 2025 a FDA anunciou que vai deixar para trás os testes em animais.13,14

I · 03

Dos pacientes às pessoas que compram.

Com os modelos de linguagem, a mesma ideia chegou ao comportamento humano. Se dá para montar um paciente virtual com dados de pacientes, dá para montar um perfil de consumidor com o que se sabe sobre como as pessoas vivem e decidem. As melhores universidades vêm testando isso desde 2023.

  1. 2023

    Um modelo de linguagem bem condicionado reproduz como diferentes grupos de pessoas respondem a uma pesquisa. Ganha um nome: amostras de silício.15

  2. 2023

    25 agentes com memória, planos e reflexão vivem em uma cidadezinha simulada e se comportam de forma verossímil. Por conta própria, convidam uns aos outros para uma festa e se organizam para ir.16

  3. 2023

    Replicando experimentos clássicos de economia comportamental, os agentes simulados chegam a resultados parecidos com os originais.18

  4. 2024

    Agentes montados com entrevistas de 1.052 pessoas reais repetem suas respostas quase tão bem quanto essas mesmas pessoas quando refazem a pesquisa. Quanto mais história cada agente tem, melhor ele responde.17

  5. 2025

    A intenção de compra é reproduzida melhor quando o perfil responde com suas palavras do que quando se pede uma nota.20

  6. 2026

    Na Nature: um modelo antecipa para onde vão os resultados de 70 experimentos sociais, inclusive de estudos que ainda não tinham sido publicados.19

Cada número é do seu estudo, da sua equipe e do seu país. A Meduzia segue esse mesmo caminho com os consumidores de cada país.

I · 04

Três campos, uma mesma lógica.

Nas proteínas, na medicina e na Meduzia se faz o mesmo, na mesma ordem: modela-se, ensaia-se, compara-se com a realidade e usa-se para decidir.

01Montar um modelo com o que já se sabe

Proteínas

As estruturas que o laboratório já resolveu

Medicina

Os dados de pacientes reais

Consumidores, na Meduzia

Como são e como decidem as pessoas de um segmento e uma região

É a lógica que levou o AlphaFold ao Nobel: primeiro se compara com a realidade, depois se usa para decidir.5

II · 05

Como a Meduzia aplica isso.

Levamos essa mesma lógica para a sua marca: construímos réplicas sintéticas dos seus consumidores com os dados da sua marca e da sua categoria, e fazemos a sua pergunta a elas antes que você decida.

Milhares de perfis por estudo. Cada um com sua história.

Como compra, o que deseja, o que o trava e como decide. Assim responde como alguém do seu mercado.

8
campos por perfil
5
traços de personalidade
4
formas de decidir
Perfil sintético de exemplo
L

Lucía, 22

Medellín · Estudante de design

Classe: estrato 3Mente impulsiva
Compra
Online, guiada por descontos e vídeos
Deseja
Sentir-se única com roupas que não vê em todo lugar
Trava
Não saber o tamanho real nem a política de trocas
Abertura
Conscienciosidade
Extroversão
Amabilidade
Neuroticismo

  1. 01Seu público

    Você escolhe a quem perguntar: segmento, região, idades e classe social.

  2. 02Os perfis da sua marca

    Construímos os perfis com os dados da sua marca e da sua categoria: as avaliações e comentários dos seus clientes, suas redes sociais, a demografia do seu mercado, o que você compartilha com a gente e os estudos que você já fez, mais a pesquisa ao vivo da sua categoria: tendências, avaliações, concorrência e o que se publica em toda a web. Cada perfil tem sua história: como compra, o que deseja, o que o freia e como decide.

    Da sua marca

    • Avaliações e comentários

      Da sua loja, marketplaces e redes sociais

      ★★★★★ “Linda, mas peça um tamanho maior.”

    • Redes sociais

      O que interessa à sua comunidade e como ela fala

      Vocês entregam em Medellín?

    • O que você compartilha com a gente

      Seu cliente ideal, produtos, vendas e CRM

      CRMVendasCliente ideal

    • Seus estudos anteriores

      Pesquisas, grupos focais e estudos

      Pesquisa 2025 · 1.200 casos

    Perfil da sua marca

    L

    Lucía

    Mente impulsiva

    Dados
    22 anos · Medellín · classe: estrato 3
    Compra
    Online, guiada por descontos e vídeos
    Deseja
    Roupas que não vê em todo lugar
    Trava
    Não saber o tamanho real
    Traços

    Da sua categoria, ao vivo

    • Demografia do seu mercado

      Idade, região e classe social

    • Tendências

      O que se busca, o que cresce e o que cai

      +38% “jaqueta técnica”

    • Concorrência

      O que oferecem e o que os clientes dizem a eles

      3 marcas acompanhadas

    • Pesquisas na web

      Estudos, relatórios e matérias da categoria

      142 matérias e relatórios lidos
    Tudo isso vira a história de cada perfil: como compra, o que deseja, o que o trava e como decide.Exemplos ilustrativos

    Seu público · 10.000 perfis

    Perfis
    10.000
    sintéticos, não pessoas
    Segmentos
    5
    por como compram
    Categoria
    Moda
    Moda feminina
    Onde
    México
    Ciudad de México · Região metropolitana
    Seu público no app da Meduzia: cada ponto é um perfil sintético. Dados de exemplo.

  3. 03As perguntas

    Todas as que você precisar, cada uma no seu formato: escolher uma, marcar várias, ordenar, dar nota ou responder com suas palavras.

  4. 04As respostas

    Cada perfil responde por conta própria, em primeira pessoa e com seus motivos. Diz o que pensa: se quer, se tem dúvida ou se não tem interesse.

  5. 05Os resultados

    Uma resposta por perfil, que se cruza por segmento como um banco de dados: quem quer, o que freia e com que palavras diz isso.

Os perfis da Meduzia são sintéticos: a IA os gera a partir do mercado que você escolhe, como pede o Código ICC/ESOMAR.25

Este método, aplicado à sua próxima decisão.

Construímos os perfis com os dados da sua marca e da sua categoria.

Join our Waitlist
II · 06

Ninguém responde igual duas vezes.

Se você repete a mesma pesquisa com as mesmas pessoas duas semanas depois, as porcentagens mudam. Essa é a régua com que a ciência mede uma réplica: que ela se afaste da pesquisa real o mesmo tanto que a pesquisa se afasta de si mesma.17

Qual destas duas cápsulas você levaria?

Exemplo ilustrativo
Primeira rodadaComparação
Cápsula técnica-2 pontos
44%
42%
Cápsula de lã+3 pontos
33%
36%
Nenhuma das duas-1 ponto
23%
22%

3

de cada 100 respostas teriam que mudar de opção para que coincidam.

04812

A faixa é quanto as pessoas variam entre si: de 3 a 5 pontos. Uma réplica precisa cair dentro dela.

Com 400 pessoas, só o acaso a move cerca de 2,8 pontos. Isso é descontado na medição.

1002004008001.5003.000

Como uma réplica é validada

  1. 01Pesquisas que o modelo não pode ter visto

    Só usamos estudos publicados depois da data de corte do modelo. Se a resposta já estava na internet quando ele foi treinado, o teste não vale.

  2. 02Escrito antes de medir

    Deixamos registrado, com data, o que vamos medir e como, antes de rodar. Assim o resultado não é ajustado depois.

  3. 03Às cegas

    As respostas das pessoas ficam com um terceiro. Nós rodamos a pergunta sem vê-las.

  4. 04A distância, pergunta por pergunta

    Medimos quantas respostas de cada 100 teriam que mudar para que a Meduzia coincida com a pesquisa real.

  5. 05Contra a pesquisa repetida e contra algo simples

    A régua é quanto a própria pesquisa muda ao ser repetida, e uma previsão simples, como a média do segmento, para comparar.

  6. 06Tudo publicado

    O número sem ajuste, quantas perguntas e estudos, o modelo e a versão, com data.

III · 07

No mundo real.

As marcas usam a Meduzia para decidir antes de gastar: em produção, em mídia ou em uma pesquisa de campo.

  • Pergunta de exemploIlustrativo

    Qual destas duas cápsulas você levaria neste inverno?

    Cápsula técnica46%
    Cápsula de lã31%
    Nenhuma das duas23%

    A técnica ganha no geral e entre quem compra online. Entre quem presta atenção no preço, empatam.

III · 08

Para onde vai.

A ciência que mudou a medicina está só começando a chegar às decisões das marcas. Isto é o que vem por aí, e o que estamos construindo.

  • 01Perfis que se atualizam sozinhos

    Cada nova avaliação, tendência ou movimento da concorrência é somado aos perfis da sua marca, para que respondam como o seu mercado de hoje.

  • 02Réplicas comparadas o tempo todo

    Cada novo estudo é comparado com pesquisas reais e o sistema aprende com cada comparação.19

  • 03Cada resultado com seu nível de confiança

    Medido com as réplicas anteriores, para saber quanto pesa cada resposta na decisão.

  • 04A mesma lógica que já mudou a medicina

    Assim como hoje se testa um medicamento no computador antes de testá-lo de verdade, as marcas vão testar cada decisão antes de lançá-la.13,14

  1. 1Anfinsen, C. B. Prêmio Nobel de Química 1972NobelPrize.org ↗
  2. 2AlphaFold: a solution to a 50-year-old grand challenge in biology (2020)Google DeepMind ↗
  3. 3Jumper, J. et al. Highly accurate protein structure prediction with AlphaFold (2021)Nature 596, 583-589 ↗
  4. 4AlphaFold reveals the structure of the protein universe (2022)Google DeepMind e EMBL-EBI ↗
  5. 5Prêmio Nobel de Química 2024: Baker, Hassabis e JumperNobelPrize.org ↗
  6. 6Abramson, J. et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3 (2024)Nature 630, 493-500 ↗
  7. 7The Isomorphic Labs Drug Design Engine (2026)Isomorphic Labs, relatório técnico ↗
  8. 8Cheng, J. et al. Accurate proteome-wide missense variant effect prediction with AlphaMissense (2023)Science 381, eadg7492 ↗
  9. 9Kovatchev, B. P. et al. In silico preclinical trials: a proof of concept in closed-loop control of type 1 diabetes (2009)J Diabetes Sci Technol 3(1) ↗
  10. 10Cobelli, C. e Kovatchev, B. Developing the UVA/Padova Type 1 Diabetes Simulator (2023)J Diabetes Sci Technol ↗
  11. 11Badano, A. et al. Evaluation of Digital Breast Tomosynthesis... Using an In Silico Imaging Trial (2018)JAMA Network Open 1(7) ↗
  12. 12Qualification opinion for Prognostic Covariate Adjustment (PROCOVA) (2022)Agência Europeia de Medicamentos ↗
  13. 13FDA Modernization Act 2.0 (2022): testes não clínicos, incluindo in silicoResumo no PMC ↗
  14. 14FDA announces plan to phase out animal testing requirement (2025)FDA ↗
  15. 15Argyle, L. P. et al. Out of One, Many: Using Language Models to Simulate Human Samples (2023)Political Analysis 31(3) ↗
  16. 16Park, J. S. et al. Generative Agents: Interactive Simulacra of Human Behavior (2023)UIST '23, ACM ↗
  17. 17Park, J. S. et al. Generative Agent Simulations of 1,000 People (2024, revisado em 2026)arXiv 2411.10109 ↗
  18. 18Horton, J. J. Large Language Models as Simulated Economic Agents (2023; depois com Filippas e Manning)NBER Working Paper 31122 ↗
  19. 19Ashokkumar, A., Hewitt, L., Ghezae, I. e Willer, R. Large language models can predict the results of social science experiments (2026)Nature 656, 115-122 ↗
  20. 20Maier, B. F. et al. LLMs reproduce human purchase intent via semantic similarity elicitation (2025)arXiv 2510.08338 ↗
  21. 21Bisbee, J. et al. Synthetic Replacements for Human Survey Data? The Perils of Large Language Models (2024)Political Analysis 32(4) ↗
  22. 22Wang, A., Morgenstern, J. e Dickerson, J. P. LLMs that replace human participants can harmfully misportray and flatten identity groups (2025)Nature Machine Intelligence 7(3) ↗
  23. 23Brand, J., Israeli, A. e Ngwe, D. Using LLMs for Market Research (revisão de 2026)Harvard Business School, Working Paper 23-062 ↗
  24. 24Responsible AI Integration in Survey Research (2026)AAPOR ↗
  25. 25Código Internacional ICC/ESOMAR (2025)ICC e ESOMAR ↗
  26. 26Davey, C. A. et al. Solvent mediated interactions in the structure of the nucleosome core particle at 1.9 Å resolution (2002). É a estrutura 3D do capítulo das proteínasProtein Data Bank, 1KX5 ↗
  27. 27AlphaFold: The making of a scientific breakthrough (2020), vídeoGoogle DeepMind, YouTube ↗
  28. 28The Thinking Game (2024), documentárioGoogle DeepMind, YouTube ↗
O teste real

Coloque a Meduzia à prova com um estudo seu.

Traga uma pesquisa que você já fez. Nós a replicamos às cegas e você compara: a melhor forma de saber quanto pode confiar na Meduzia antes de contratá-la.

  1. 01

    Você nos envia um estudo que já fez

    O questionário e com quem você o fez. As respostas ficam com você.

  2. 02

    Rodamos às cegas

    Suas perguntas, para perfis sintéticos desse mesmo público, sem ver seus resultados.

  3. 03

    Você compara pergunta por pergunta

    Suas respostas reais ao lado das da Meduzia, com a distância de cada uma.

Trazer um estudoJoin our Waitlist
Seu estudo vs. MeduziaExemplo
Opção A
Opção B
Nenhuma

4 de cada 100 respostas de distância