O aprendizado de máquina resolveu o problema do enovelamento de proteínas e ganhou o Prêmio Nobel de Química de 2024

O Prêmio Nobel de Química de 2024 foi reconhecido Demis Hassabis, John Jumper e David Baker por usar o aprendizado de máquina para enfrentar um dos maiores desafios da biologia: prever a forma 3D das proteínas e projetá-las do zero.

O prêmio deste ano se destacou porque homenageou pesquisas originadas em uma empresa de tecnologia: DeepMind, startup de pesquisa em IA que foi adquirida pela Google em 2014. A maioria dos prêmios Nobel de química anteriores foram para pesquisadores acadêmicos. Muitos laureados formaram empresas iniciantes para expandir e comercializar ainda mais seu trabalho inovador – por exemplo, Tecnologia de edição genética CRISPR e pontos quânticos—mas a pesquisa, do início ao fim, não foi feita na esfera comercial.

Embora os Prémios Nobel de Física e de Química sejam atribuídos separadamente, existe uma ligação fascinante entre as pesquisas vencedoras nessas áreas em 2024. O prémio de física fui para dois cientistas da computação que lançaram as bases para o aprendizado de máquina, enquanto os laureados em química foram recompensados ​​pelo uso do aprendizado de máquina para resolver um dos maiores mistérios da biologia: como as proteínas se dobram.

Os Prémios Nobel de 2024 sublinham a importância deste tipo de inteligência artificial e como a ciência hoje muitas vezes ultrapassa as fronteiras tradicionais, misturando diferentes campos para alcançar resultados inovadores.

O desafio do enovelamento de proteínas

As proteínas são as máquinas moleculares da vida. Eles constituem uma parte significativa do nosso corpo, incluindo músculos, enzimas, hormônios, sangue, cabelo e cartilagem.

Compreender as estruturas das proteínas é essencial porque as suas formas determinam as suas funções. Em 1972, Christian Anfinsen ganhou o Prêmio Nobel em química por mostrar que a sequência dos blocos de construção de aminoácidos de uma proteína dita a forma da proteínao que, por sua vez, influencia sua função. Se uma proteína se dobrar incorretamente, pode não funcionar corretamente e pode levar a doenças como Alzheimer, fibrose cística ou diabetes.

A forma geral de uma proteína depende das minúsculas interações, das atrações e repulsões, entre todos os átomos dos aminoácidos dos quais ela é feita. Alguns querem ficar juntos, outros não. A proteína se torce e se dobra em uma forma final baseada em milhares dessas interações químicas.

Durante décadas, um dos maiores desafios da biologia foi prever a forma de uma proteína com base apenas na sua sequência de aminoácidos. Embora os investigadores possam agora prever a forma, ainda não compreendemos como é que as proteínas se adaptam às suas formas específicas e minimizam as repulsões de todas as interacções interatómicas em poucos microssegundos.

Para compreender como as proteínas funcionam e evitar o enrolamento incorreto, os cientistas precisavam de uma forma de prever a forma como as proteínas se dobram, mas resolver este puzzle não foi uma tarefa fácil.

Em 2003, bioquímico da Universidade de Washington David Baker escreveu Rosetaum programa de computador para projetar proteínas. Com isso, ele mostrou que era possível reverter o problema do enovelamento de proteínas, projetar uma forma de proteína e depois prever a sequência de aminoácidos necessária para criá-lo.

Foi um avanço fenomenal, mas a forma escolhida para o cálculo foi simples e os cálculos complexos. Uma grande mudança de paradigma foi necessária para projetar rotineiramente novas proteínas com estruturas desejadas.

Uma nova era de aprendizado de máquina

O aprendizado de máquina é um tipo de IA em que os computadores aprendem a resolver problemas analisando grandes quantidades de dados. Tem sido usado em vários campos, desde jogando e reconhecimento de fala para veículos autônomos e pesquisa científica. A ideia por trás do aprendizado de máquina é usar padrões ocultos nos dados para responder a questões complexas.

Esta abordagem deu um grande salto em 2010, quando Demis Hassabis co-fundou DeepMinduma empresa que pretende combinar a neurociência com a IA para resolver problemas do mundo real.

Hassabis, um prodígio do xadrez aos 4 anos, rapidamente ganhou as manchetes com AlfaZerouma IA que aprendeu sozinha a jogar xadrez em um nível sobre-humano. Em 2017, o AlphaZero venceu completamente o principal programa de xadrez de computador do mundo, o Stockfish-8. A capacidade da IA ​​de aprender com a sua própria jogabilidade, em vez de depender de estratégias pré-programadas, marcou um ponto de viragem no mundo da IA.

Logo depois, a DeepMind aplicou técnicas semelhantes ao Go, um antigo jogo de tabuleiro conhecido por sua imensa complexidade. Em 2016, seu programa de IA AlfaGo derrotou um dos melhores jogadores do mundo, Lee Sedol, em uma partida amplamente assistida que surpreendeu milhões.

Em 2016, Hassabis mudou o foco da DeepMind para um novo desafio: o problema do enovelamento de proteínas. Sob a liderança de John Jumperquímico com formação em ciência de proteínas, deu início ao projeto AlphaFold. A equipe usou um grande banco de dados de estruturas proteicas determinadas experimentalmente para treinar a IA, o que lhe permitiu aprender os princípios do enovelamento de proteínas. O resultado foi AlphaFold2, uma IA que poderia prever a estrutura 3D das proteínas a partir de suas sequências de aminoácidos com notável precisão.

Este foi um avanço científico significativo. Desde então, AlphaFold previu as estruturas de mais de 200 milhões de proteínas – essencialmente todas as proteínas que os cientistas sequenciaram até agora. Esse enorme banco de dados de estruturas de proteínas está agora disponível gratuitamente, acelerando a investigação em biologia, medicina e desenvolvimento de medicamentos.

Proteínas projetadas para combater doenças

Compreender como as proteínas se dobram e funcionam é crucial para o desenvolvimento de novos medicamentos. Enzimasum tipo de proteína, atuam como catalisadores em reações bioquímicas e podem acelerar ou regular esses processos. Para tratar doenças como câncer ou diabetes, os pesquisadores geralmente têm como alvo enzimas específicas envolvidas nas vias das doenças. Ao prever a forma de uma proteína, os cientistas podem descobrir onde pequenas moléculas – potenciais candidatos a medicamentos – se podem ligar a ela, o que é o primeiro passo na concepção de novos medicamentos.

Em 2024, DeepMind lançou AlfaFold3uma versão atualizada do programa AlphaFold que não apenas prevê formatos de proteínas, mas também identifica potenciais locais de ligação para pequenas moléculas. Este avanço torna mais fácil para os pesquisadores projetarem medicamentos que visem com precisão as proteínas certas.

Google comprou Deepmind por supostamente cerca de meio bilhão de dólares em 2014. O Google DeepMind iniciou agora um novo empreendimento, Laboratórios Isomórficospara colaborar com empresas farmacêuticas no desenvolvimento de medicamentos no mundo real usando essas previsões AlphaFold3.

Por sua vez, David Baker continuou a fazer contribuições significativas para a ciência das proteínas. Sua equipe da Universidade de Washington desenvolveu um método baseado em IA chamado “alucinação familiar“que eles usaram para projetar proteínas inteiramente novas do zero. Alucinações são novos padrões – neste caso, proteínas – que são plausíveis, o que significa que se ajustam bem aos padrões nos dados de treinamento da IA. Essas novas proteínas incluíam um emissor de luz enzima, demonstrando que o aprendizado de máquina pode ajudar a criar novas proteínas sintéticas. Essas ferramentas de IA oferecem novas maneiras de projetar enzimas funcionais e outras proteínas que nunca poderiam ter evoluído naturalmente.

A IA permitirá o próximo capítulo da pesquisa

As conquistas dignas de Nobel de Hassabis, Jumper e Baker mostram que a aprendizagem automática não é apenas uma ferramenta para cientistas da computação – é agora uma parte essencial do futuro da biologia e da medicina.

Ao abordar um dos problemas mais difíceis da biologia, os vencedores do prémio de 2024 abriram novas possibilidades na descoberta de medicamentos, na medicina personalizada e até na nossa compreensão da química da própria vida.

Este artigo foi republicado de A conversa sob uma licença Creative Commons. Leia o artigo original.