AlphaFold ganha um novo desafio: prever como proteínas mudam de forma

O AlphaFold, desenvolvido pelo Google DeepMind, é um sistema de IA criado para prever a estrutura 3D de proteínas a partir de suas sequências de aminoácidos. O breakthrough ocorreu com o AlphaFold2, apresentado em 2020, quando o sistema resolveu um problema que pesquisadores tentavam solucionar havia cerca de 50 anos,.

O impacto científico do AlphaFold foi tão grande que o trabalho levou o Prêmio Nobel de Química de 2024. O Nobel reconheceu a capacidade do AlphaFold de prever estruturas de praticamente todas as proteínas conhecidas, ampliando o acesso a informações estruturais para a pesquisa biomolecular.

Apesar disso, o AlphaFold ainda enfrenta uma limitação importante: proteínas não são estruturas rígidas e podem assumir múltiplas conformações, as configurações do AlphaFold3 raramente exploram todo esse espaço estrutural. Uma nova abordagem introduz uma força repulsiva entre as estruturas previstas.

AlphaFold

O AlphaFold3, desenvolvido pelo Google DeepMind em colaboração com a Isomorphic Labs, é um modelo de IA capaz de prever a estrutura e as interações entre diferentes moléculas biológicas. Diferentemente das versões anteriores, ele não se limita a proteínas e pode modelar complexos envolvendo proteínas, DNA, RNA, pequenas moléculas e íons.

Durante a predição, o AlphaFold3 aprende relações espaciais e químicas entre os componentes do sistema para gerar diferentes posições dos átomos. O processo de difusão permite partir de uma distribuição aleatória e realizar sucessivas etapas de denoising, aproximando-se da configuração molecular mais provável.

Limitações

Uma das principais limitações do AlphaFold é que ele tende a produzir uma única conformação estrutural para muitas proteínas. Na célula, proteínas podem alternar entre diferentes estados ao se ligar a outras moléculas, receber sinais ou executar suas funções. Portanto, prever apenas uma estrutura limita aplicações que dependem dessas mudanças.

Para contornar essa limitação, pesquisadores desenvolveram um método que introduz uma força repulsiva entre as estruturas previstas pelo AlphaFold. A ideia é reduzir a tendência de diferentes predições convergirem para a mesma conformação, incentivando o sistema a explorar regiões distintas do espaço.

Expandindo o AlphaFold

O AlphaFold3 usa um modelo generativo de difusão para prever estruturas 3D de proteínas. O processo começa com os átomos da molécula distribuídos aleatoriamente, como resultado da aplicação de ruído, e o modelo remove esse ruído progressivamente. A cada etapa, as posições atômicas são ajustadas.

Em termos físicos, essas posições de maior probabilidade correspondem a estados de menor energia. Assim, o processo de difusão conduz os átomos em direção a uma configuração estável da proteína. O problema é que diferentes conformações podem ter energias distintas.

Nova técnica

Para contornar essa limitação, os pesquisadores repetiram as previsões do AlphaFold3 e adicionaram um termo de energia de viés ao processo. Esse termo aumenta a energia quando uma nova previsão se aproxima das coordenadas atômicas de uma estrutura obtida anteriormente, funcionando como uma força repulsiva.

A abordagem foi denominada AlphaFold3-ReD e conseguiu identificar diferentes estados estruturais em várias proteínas. A técnica ampliou a capacidade do AlphaFold de representar mudanças conformacionais, aproximando as previsões da natureza dinâmica das proteínas.