Pequim, 7 de julho de 2025 – Um avanço revolucionário no campo da biotecnologia pode mudar fundamentalmente a forma como as proteínas são desenvolvidas para aplicações médicas e industriais. Uma equipe de cientistas chineses liderada pela Prof. Gao Caixia, do Instituto de Genética e Biologia do Desenvolvimento (IGDB) da Academia Chinesa de Ciências, desenvolveu um método inovador chamado “AI-informed Constraints for Protein-Engineering” (AiCE). Essa estratégia baseada em IA, publicada em 7 de julho de 2025 na renomada revista científica Cell, promete tornar o engenharia de proteínas mais eficiente, econômica e universalmente aplicável. A abordagem utiliza modelos de dobramento inverso e considera restrições estruturais e evolutivas sem a necessidade de treinar modelos de IA especializados.
Desafios da Engenharia de Proteínas
As proteínas são as "cavalos de batalha" moleculares da vida, desempenhando um papel central em processos biológicos, desde a defesa imunológica até a geração de energia. Sua modificação direcionada, conhecida como engenharia de proteínas, é crucial para o desenvolvimento de novas terapias, ferramentas precisas de edição genética e inovações biotecnológicas. No entanto, os métodos tradicionais de engenharia de proteínas são frequentemente demorados, caros e limitados em sua escalabilidade. Além disso, muitas abordagens existentes baseadas em IA são computacionalmente intensivas e exigem processos de treinamento complexos, o que dificulta sua ampla aplicação na comunidade de pesquisa.
A equipe da Prof. Gao Caixia reconheceu esses obstáculos e desenvolveu uma solução que é acessível e altamente precisa. O método AiCE combina o poder da IA com uma consideração profunda dos princípios biológicos para acelerar o desenvolvimento de proteínas otimizadas.
O Método AiCE: Uma Abordagem de Duas Vias
A estratégia AiCE consiste em dois módulos principais, cada um abordando desafios específicos na engenharia de proteínas:
- AiCE-Single: Este módulo se concentra na previsão de substituições de aminoácidos únicos de alta afinidade (AA). Ao analisar modelos de dobramento inverso – modelos de IA que geram sequências de aminoácidos com base em estruturas de proteínas 3D – e integrar restrições estruturais, o AiCE-Single melhora significativamente a precisão da previsão. Em testes de benchmark com 60 conjuntos de dados de Deep Mutational Scanning (DMS), o AiCE-Single superou outros métodos baseados em IA em 36–90%. Particularmente notável é o aumento de 37% na precisão pela consideração exclusiva de restrições estruturais. O método também se mostrou eficaz em proteínas complexas e complexos proteína-ácido nucleico.
- AiCE-Multi: Para lidar com o desafio das interações epistáticas negativas em mutações combinatórias, os pesquisadores desenvolveram o módulo AiCE-Multi. Ele considera restrições de acoplamento evolutivo para prever com precisão múltiplas mutações de alta aptidão, mantendo o custo computacional mínimo, o que torna o método particularmente prático.
Aplicações práticas e resultados inovadores
Com o framework AiCE, a equipe de pesquisa conseguiu projetar oito proteínas com diferentes estruturas e funções, incluindo deaminases, sequências de localização nuclear, nucleases e transcriptases reversas. Essas proteínas geneticamente modificadas foram usadas para desenvolver vários editores de bases de próxima geração, que podem encontrar aplicações em medicina de precisão e melhoramento molecular. Entre os resultados notáveis estão:
- enABE8e: Um editor de bases de citosina com uma janela de edição aproximadamente 50% menor, permitindo modificações genéticas mais precisas.
- enSdd6-CBE: Um editor de bases de adenina com uma precisão 1,3 vezes maior.
- enDdd1-DdCBE: Um editor de bases mitocondrial com atividade 13 vezes maior, o que é particularmente promissor para o tratamento de doenças mitocondriais.
Esses avanços demonstram a versatilidade e a utilidade prática do método AiCE, que abre possibilidades transformadoras tanto para a pesquisa básica quanto para as ciências aplicadas.
Um novo capítulo para o engenharia de proteínas
A estratégia AiCE se destaca por sua simplicidade, eficiência e ampla aplicabilidade. Ao alavancar modelos de IA existentes sem a necessidade de treinamento extensivo, ela reduz as barreiras de entrada para pesquisadores em todo o mundo. Ao mesmo tempo, melhora a interpretabilidade do redesenho de proteínas impulsionado por IA, aumentando a reprodutibilidade e a confiabilidade dos resultados.
“O AiCE abre uma nova e promissora direção para a engenharia de proteínas”, explica a Prof. Gao Caixia, pesquisadora líder do estudo. “Nosso método demonstra como a IA pode ser usada para resolver desafios biológicos de forma eficiente, minimizando custos e esforços.”
Perspectivas e significado
A publicação na Cell (DOI: 10.1016/j.cell.2025.06.014) marca um marco na biotecnologia. Especialistas veem o AiCE como uma ferramenta que não só pode acelerar o desenvolvimento de novas terapias, mas também revolucionar a ciência agrícola e a biotecnologia industrial. A capacidade de projetar proteínas com precisão e eficiência pode contribuir, por exemplo, para o desenvolvimento de novos medicamentos contra doenças até então incuráveis ou para a criação de culturas agrícolas mais resistentes.
A pesquisa foi conduzida na sede da Academia Chinesa de Ciências e está alinhada com o esforço global de unir IA e biotecnologia para resolver desafios sociais urgentes. Embora o método já tenha produzido resultados impressionantes, a Prof. Gao e sua equipe estão trabalhando para refinar ainda mais o AiCE e expandir suas aplicações.
Conclusão
Com o desenvolvimento do método AiCE, pesquisadores chineses deram um passo crucial em direção a um engenharia de proteínas universal baseada em IA. Essa inovação promete acelerar a pesquisa biotecnológica e abrir novas possibilidades para a medicina, agricultura e indústria. O mundo da ciência aguarda com expectativa os próximos desenvolvimentos que se basearão neste trabalho pioneiro.
Fonte:
Cell, DOI: 10.1016/j.cell.2025.06.014
