A IA consegue prever estruturas de proteínas a partir de sequências de aminoácidos ?

Os avanços na IA permitiram a previsão precisa de estruturas proteicas, um problema que intrigava os cientistas há décadas. Sistemas como o AlphaFold aproveitam o *deep learning* para modelar interações biológicas complexas. Esta descoberta revolucionou as pipelines de biologia estrutural e descoberta de fármacos.

Prever estruturas de proteínas a partir de sequências de aminoácidos é uma tarefa complexa no campo da biologia que tem visto avanços significativos com a ajuda da inteligência artificial. Os métodos tradicionais dependiam fortemente de abordagens experimentais como a cristalografia de raios-X e a ressonância magnética nuclear, que são demoradas e dispendiosas. No entanto, com o advento de algoritmos de *machine learning*, em particular modelos de *deep learning*, tornou-se possível prever estruturas proteicas com um elevado grau de precisão. Um exemplo notável é o modelo AlphaFold desenvolvido pela DeepMind, que utiliza uma abordagem inovadora para prever a estrutura 3D de proteínas a partir das suas sequências de aminoácidos. Este modelo alcançou resultados de ponta em competições de previsão de estruturas proteicas, demonstrando o potencial da IA neste campo. A capacidade de prever com precisão estruturas de proteínas tem implicações significativas para áreas como a descoberta de fármacos e a investigação de doenças. Ao prever como as proteínas se dobram, os investigadores podem compreender melhor a sua função e como interagem com outras moléculas, o que pode levar ao desenvolvimento de novos tratamentos para várias doenças. Em geral, a utilização de IA na previsão de estruturas de proteínas é uma área de investigação em rápida evolução que promete avançar o nosso conhecimento da biologia e melhorar a saúde humana.

+- administrado a 13 de maio de 2026 · Fonte: Nature — Science