Essa IA pode prever a estrutura de todas as proteínas do universo

A DeepMind anunciou o lançamento da terceira versão de seu software AlphaFold, marcando avanços significativos nos campos da biologia estrutural e inteligência artificial (IA). O AlphaFold3, baseado em aprendizado de máquina, visa modelar com precisão o enovelamento de proteínas, abrindo caminho para uma melhor compreensão dos processos biológicos fundamentais.

Dificuldade em prever a estrutura das proteínas

As proteínas são cadeias de aminoácidos que devem dobrar-se em uma forma tridimensional precisa para desempenhar suas funções biológicas específicas. Esse processo de dobramento é fundamental para a vida porque determina como as proteínas interagem com outras moléculas e executam tarefas importantes, como catálise enzimática, transporte de moléculas, sinalização celular e resposta imune. Portanto, entender sua estrutura tridimensional é crucial para entender como eles funcionam em nível molecular. No entanto, predizê-lo por sequência de aminoácidos é um sério problema científico.

Uma sequência de aminoácidos, também conhecida como sequência primária, é na verdade uma longa cadeia linear que deve se dobrar em uma configuração complexa e única para se tornar funcional. O processo de dobramento é influenciado por várias forças químicas e físicas, como interações hidrofóbicas, ligações de hidrogênio e forças de van der Waals. Além disso, o enovelamento ocorre em um ambiente celular complexo, onde interações com outras moléculas e condições locais também podem desempenhar um papel. Portanto, as proteínas podem assumir uma grande variedade de estruturas. Além disso, pequenas variações na sequência de aminoácidos podem levar a diferenças significativas na estrutura final.

Dificuldades em prever com a ajuda da modelagem

Tal complexidade há muito tempo torna difícil prever com precisão a estrutura das proteínas com base apenas na sequência primária. Tradicionalmente, métodos experimentais como cristalografia de raios X, ressonância magnética nuclear (RMN) e criomicroscopia eletrônica têm sido usados para determinar a estrutura de proteínas. Embora esses métodos forneçam informações detalhadas, eles são caros, demorados e, muitas vezes, limitados a tipos específicos de proteínas.

Eles tentaram preencher essa lacuna com a ajuda de abordagens computacionais para prever a estrutura das proteínas. Técnicas têm sido desenvolvidas, como a modelagem por homologia, onde a estrutura de uma proteína é prevista com base na similaridade de sequências com proteínas de estrutura conhecida, e a modelagem por dinâmica molecular, que utiliza os princípios da física para simular o enovelamento de proteínas. No entanto, esses métodos apresentam limitações significativas em termos de acurácia e escala. O desenvolvimento da inteligência artificial (IA), no entanto, abriu novas perspectivas nesse campo.

O poder do AlphaFold3

AlphaFold, desenvolvido pela DeepMind, é um pacote de software projetado especificamente para simular o enovelamento de proteínas. Até agora, as versões anteriores se concentravam principalmente em prever a estrutura das proteínas. No entanto, a DeepMind desenvolveu recentemente uma nova versão (AlphaFold3) que também pode prever a interação de proteínas com outras moléculas biológicas, como DNA, RNA e ligantes.

Ligantes são moléculas que se ligam especificamente a uma proteína-alvo para formar um complexo ligante-proteína. Essas moléculas podem ser de diferentes tipos químicos, desde pequenas moléculas orgânicas até íons metálicos e macromoléculas como polissacarídeos. No contexto da biologia estrutural, ligantes são frequentemente moléculas reguladoras ou mediadores biológicos que interagem com proteínas para regular sua atividade. Por exemplo, no campo da farmacologia, os ligantes são frequentemente compostos químicos projetados para se ligar a proteínas-alvo específicas, como receptores celulares, para alterar sua função e tratar doenças.

Essa capacidade avançada do AlphaFold, que se estima ser 50% mais precisa do que os métodos de software atuais para prever a estrutura das proteínas e suas interações, abre novas possibilidades em vários campos, como medicina, agricultura e biotecnologia.

No entanto, a principal limitação é que, ao contrário de seus antecessores, o AlphaFold3 não é de código aberto, o que significa que os pesquisadores não podem acessar publicamente seu código ou dados de treinamento. Isso pode limitar a capacidade da comunidade científica de personalizar o modelo ou usar o software para estudos específicos.

No entanto, pesquisadores sem fins lucrativos podem acessar o AlphaFold3 por meio do servidor AlphaFold da DeepMind, que permite enviar sequências moleculares e fazer previsões sobre a estrutura da proteína em minutos. No entanto, há um limite de vinte tarefas por dia, o que pode limitar seu uso pesado em determinadas situações de pesquisa.