Ekhbary
Wednesday, 25 February 2026
Breaking

Aprendizagem de Máquina Simplifica Engenharia de Proteínas com Estrutura MULTI-evolve

Novo sistema de IA prevê função de proteínas com múltiplas m

Aprendizagem de Máquina Simplifica Engenharia de Proteínas com Estrutura MULTI-evolve
7DAYES
12 hours ago
5

Estados Unidos - Agência de Notícias Ekhbary

Aprendizagem de Máquina Simplifica Engenharia de Proteínas com Estrutura MULTI-evolve

Em um salto significativo para a biotecnologia e a medicina, pesquisadores revelaram uma nova estrutura de aprendizagem de máquina chamada MULTI-evolve. Este sofisticado sistema de inteligência artificial foi projetado para agilizar drasticamente o complexo processo de engenharia de proteínas, prometendo acelerar o desenvolvimento de proteínas avançadas para aplicações que vão de produtos farmacêuticos a enzimas industriais.

Tradicionalmente, a criação de proteínas de alto desempenho para usos específicos, como medicamentos, biocombustíveis ou mesmo detergentes de lavanderia, tem sido um empreendimento trabalhoso e demorado. Frequentemente envolve ciclos extensos de tentativa e erro, incluindo inúmeros ajustes, experimentos e otimizações para alcançar a funcionalidade desejada. Um desafio chave reside nas complexas interações entre as mutações de aminoácidos. A alteração de um único aminoácido pode influenciar imprevisivelmente o efeito das mutações subsequentes, tornando a busca por combinações ideais um problema de alta dimensionalidade que requer modificações iterativas e testes de laboratório.

Patrick Hsu, um bioengenheiro da Universidade da Califórnia, Berkeley, e do Arc Institute, descreveu a abordagem convencional como "um problema de busca de alta dimensionalidade onde, efetivamente, adivinhamos e verificamos". Este método, embora capaz de produzir resultados, é inerentemente ineficiente e caro, muitas vezes exigindo meses ou até anos de pesquisa dedicada.

A estrutura MULTI-evolve aborda diretamente essas limitações, integrando algoritmos avançados de aprendizagem de máquina com experimentos de laboratório. O fluxo de trabalho é estruturado em três fases principais. Inicialmente, os pesquisadores utilizam dados existentes ou empregam técnicas de aprendizagem de máquina para prever o impacto das substituições de aminoácidos individuais na função proteica. Subsequentemente, para entender a intrincada interação entre as mutações, uma série de proteínas são sintetizadas em laboratório, cada uma incorporando duas mutações específicas. Estas são então testadas para avaliar seu desempenho. Finalmente, os dados experimentais coletados são usados para treinar um modelo de aprendizagem de máquina. Este modelo treinado pode então prever o desempenho funcional de uma proteína alvo com cinco ou mais mutações, oferecendo uma compreensão abrangente dos efeitos sinérgicos.

A eficácia do MULTI-evolve foi demonstrada através de testes rigorosos em três proteínas distintas. Estas incluíram um anticorpo crucial para o tratamento de doenças autoimunes e uma proteína vital para a tecnologia de edição genética CRISPR. Em cada caso de teste, o modelo MULTI-evolve identificou com sucesso múltiplas combinações de mutações que superaram significativamente as proteínas originais em avaliações de laboratório. Esta validação ressalta a capacidade da estrutura de identificar conjuntos sinérgicos de mutações que melhoram o desempenho das proteínas.

Hsu destacou a ampla aplicabilidade do MULTI-evolve, imaginando seu uso em áreas críticas como o desenvolvimento de proteínas para rastrear movimentos moleculares dentro das células e a engenharia de terapias genéticas mais eficazes para indivíduos com deficiências enzimáticas. "Estamos entusiasmados com este trabalho", afirmou Hsu. "Acho que há um interesse tremendo em como isso realmente muda a prática da ciência."

Publicado na prestigiosa revista Science, o desenvolvimento do MULTI-evolve representa um avanço significativo na biologia computacional e inteligência artificial. Ao reduzir drasticamente a complexidade e o tempo necessários para o design de proteínas, esta estrutura está preparada para desbloquear novas possibilidades na descoberta de medicamentos, biologia sintética e desenvolvimento de novos biomateriais, acelerando assim o progresso científico e a inovação em múltiplas disciplinas.

Palavras-chave: # Aprendizagem de máquina # engenharia de proteínas # MULTI-evolve # IA # mutações de proteínas # biotecnologia # descoberta de medicamentos # CRISPR # biologia computacional # biologia sintética