IA é capaz de modificar proteínas para criar novas funções

A inteligência artificial já consegue alterar uma proteína muito além da troca de alguns componentes. Modelos generativos passaram a reduzir, ampliar e reorganizar sequências inteiras, abrindo uma nova frente para projetar moléculas com características difíceis de alcançar pelos métodos tradicionais. O avanço é relevante, mas existe uma diferença fundamental entre uma sequência sugerida pelo computador e uma proteína que realmente funciona.

Um exemplo recente é o Raygun, sistema generativo apresentado em julho. Em vez de começar do zero, ele utiliza uma proteína existente como modelo e realiza substituições, inserções e remoções de aminoácidos. Nos experimentos, algumas proteínas tiveram o tamanho reduzido entre 10% e 25%, chegando a cortes superiores a 50% em determinados testes computacionais, enquanto características estruturais importantes foram preservadas.

A etapa seguinte colocou parte dessas previsões diante de células reais. O sistema produziu versões menores de proteínas fluorescentes e seis das oito variantes testadas mantiveram fluorescência acima do controle.

Também foram criadas versões reduzidas da TurboID, proteína utilizada para estudar interações celulares, e variantes ampliadas do fator de crescimento epidérmico, EGF. Algumas apresentaram maior afinidade de ligação ao receptor EGFR do que a proteína original.

É justamente aí que o termo “criar novas funções” exige precisão. Modificar uma molécula existente, preservar sua atividade e melhorar determinada característica não significa necessariamente inventar uma função biológica inédita. O campo também trabalha em outra direção: desenhar proteínas completamente novas, sem partir diretamente de uma sequência encontrada na natureza.

Essa segunda estratégia já utiliza deep learning para propor sequências de aminoácidos que devem se dobrar em estruturas e desempenhar funções determinadas. O trabalho conduzido no Institute for Protein Design, da Universidade de Washington, procura desenvolver moléculas voltadas a problemas que a evolução natural nunca precisou resolver.

Depois do projeto computacional, genes sintéticos são produzidos e as proteínas precisam ser caracterizadas experimentalmente. O design de novas funções de proteínas inclui aplicações investigadas em medicamentos, materiais e biorremediação.

O salto proporcionado pela IA está principalmente no espaço de possibilidades que pode ser explorado. Alterar dezenas ou centenas de posições de uma proteína cria um número de combinações grande demais para uma busca convencional.Modelos generativos conseguem propor candidatos e filtros computacionais ajudam a selecionar quais merecem chegar à bancada. Uma revisão publicada neste ano descreve justamente a passagem do design baseado predominantemente em funções explícitas de energia para métodos generativos probabilísticos.

Raygun deixa claro também onde permanece a fronteira. Mesmo depois da seleção computacional, as proteínas fluorescentes precisaram ser produzidas e testadas, e duas das oito variantes escolhidas não apresentaram a atividade esperada. A IA amplia radicalmente o território que pode ser pesquisado; determinar quais moléculas funcionam continua exigindo experimento.