A função de uma proteína é determinada por sua estrutura, e a estrutura – a maneira como uma proteína se dobra – é determinada por sua sequência de aminoácidos, os blocos construtores das proteínas.
Muitos métodos para projetar proteínas novas, incluindo exemplos que poderiam se ligar a uma molécula causadora de doenças em nossas células, envolvem um processo de duas etapas: A estrutura vem primeiro, e então um framework de machine learning gera um repertório de sequências que poderiam potencialmente adotar essa estrutura.
Na natureza, muitas sequências diferentes de aminoácidos podem se dobrar na mesma estrutura. Ao mesmo tempo, uma sequência de aminoácidos pode potencialmente adotar diferentes estruturas dependendo da flexibilidade da proteína ou de um gatilho funcional. Portanto, quando pesquisadores usam inteligência artificial para projetar novas proteínas, o desafio é guiar a AI para "ver" que existem muitas respostas potencialmente úteis – que muitas sequências podem adotar a mesma dobra.
"Por anos, o campo tem medido o sucesso perguntando se um modelo pode reproduzir a sequência de proteínas que a evolução selecionou – nosso trabalho mostra que esta não é a melhor métrica para o design de proteínas", diz Amy E. Keating , chefe do Departamento de Biologia, Jay A. Stein (1968) Professora de Biologia, professora de engenharia biológica , e autora sênior de um artigo recentemente publicado na PNAS .
PottsMPNN, um novo framework de machine learning desenvolvido no Departamento de Biologia, incorpora os princípios físicos que governam a estrutura e estabilidade das proteínas, melhorando a geração de sequências e a capacidade de prever como as mutações irão
Fonte: MIT News - AI
Publicado em 2026-08-27