Em maio de 2024, o mundo da biotecnologia foi transformado mais uma vez com o lançamento do AlphaFold 3, desenvolvido pela Google DeepMind e Isomorphic Labs. Este novo modelo de inteligência artificial promete revolucionar a pesquisa biomolecular e o desenvolvimento de medicamentos, ampliando significativamente as capacidades de suas versões anteriores.1,2

O Que é o AlphaFold 3?

AlphaFold 3 é um modelo de inteligência artificial (IA) projetado para prever a estrutura tridimensional de proteínas e outras biomoléculas, incluindo DNA, RNA e pequenas moléculas, como proteínas ligantes, que são substâncias que se ligam especificamente a um receptor ou outra molécula, em geral para desencadear uma resposta biológica.1,2 

Além de prever a forma das proteínas, o AlphaFold 3 pode criar modelos de interações complexas entre diferentes tipos de moléculas, proporcionando uma compreensão mais detalhada dos processos biológicos.1,2

Por que a criação de modelos de interações complexas entre moléculas é importante para a descoberta de novos tratamentos?

As proteínas e outras moléculas desempenham funções essenciais no organismo, sendo fundamentais para a estrutura, função e regulação dos tecidos e órgãos. Essas moléculas possuem formas tridimensionais complexas que, no caso das proteínas, são determinadas pela sequência de aminoácidos. A forma como essas sequências são “dobradas” ou estruturadas é crucial para sua função.3,4

Cada proteína se dobra de uma maneira específica, formando uma estrutura tridimensional única. Esse processo de dobramento é influenciado por interações intramoleculares e forças químicas, como:4 

• pontes de hidrogênio, 
• interações hidrofóbicas, 
• cargas elétricas positivas e negativas presentes nas cadeias laterais dos aminoácidos. 

As cargas elétricas nas proteínas podem atrair ou repelir outras moléculas, determinando como e onde essas proteínas se ligarão a outras moléculas.4

Por exemplo, a hemoglobina é uma proteína essencial no transporte de oxigênio no sangue. Sua estrutura tridimensional permite que ela se ligue ao oxigênio nos pulmões e o libere nos tecidos corporais. Qualquer alteração na forma da hemoglobina, como mutações que causam anemia falciforme, pode prejudicar sua capacidade de transportar oxigênio eficientemente.5

Entender a forma tridimensional de uma molécula é diferente de saber apenas a sequência de seus aminoácidos, pois a função da molécula depende de sua forma específica. A sequência de aminoácidos fornece o código, mas é a forma tridimensional resultante que define como a proteína interage com outras moléculas. Essa compreensão é fundamental para descobrir novos tratamentos, permitindo que cientistas projetem medicamentos que possam se ligar especificamente a proteínas-alvo, modulando suas funções para tratar doenças.4

Além disso, a conformação tridimensional das proteínas é crítica para entender suas interações funcionais e a dinâmica interna, aspectos difíceis de capturar apenas com a sequência linear de aminoácidos. Assim, métodos avançados como o AlphaFold ajudam a revelar detalhes intrincados das interações proteína-proteína, essenciais para processos biológicos como a sinalização celular e o metabolismo.6

Avanços na previsão e design da estrutura de proteínas

A previsão da estrutura tridimensional de proteínas a partir de sequências de aminoácidos tem sido um grande desafio na biofísica computacional há décadas. Mais recentemente, o problema inverso – conceber uma sequência de aminoácidos que se dobre em uma estrutura tridimensional específica – tem atraído atenção crescente como uma via potencial para a engenharia racional de proteínas com funções úteis em biotecnologia e medicina.4 

Os acentuados avanços que ocorreram na última década na previsão e projeto de estruturas proteicas foram impulsionados principalmente por:

• aumento no poder computacional,
• rápido crescimento nos bancos de dados de sequências e estruturas de proteínas. 

Isso possibilitou a criação de novos algoritmos para projetar dobras de proteínas e interfaces proteína-proteína, os quais têm sido usados ​​para projetar novos modelos de alta complexidade com propriedades novas ou aprimoradas, bem como proteínas de sinalização com potencial terapêutico.4 

Importância para a Pesquisa e Desenvolvimento de Medicamentos

A capacidade do AlphaFold 3 de prever com precisão as estruturas e interações moleculares tem implicações profundas para a descoberta de novos medicamentos. Aqui estão alguns dos principais benefícios:1,2

• Identificação de Alvos Terapêuticos: Com o AlphaFold 3, os pesquisadores podem identificar novos alvos moleculares para o desenvolvimento de medicamentos com maior rapidez e precisão. Isso pode acelerar a descoberta de tratamentos para doenças complexas.
• Design de Medicamentos Mais Eficazes: A previsão precisa das interações entre proteínas e outras moléculas permite a criação de medicamentos que se ligam mais eficazmente aos seus alvos, aumentando a eficácia e reduzindo os efeitos colaterais.
• Aceleração do Desenvolvimento Clínico: Ao fornecer modelos estruturais detalhados, o AlphaFold 3 facilita a fase de desenvolvimento pré-clínico, permitindo que os pesquisadores avancem mais rapidamente para testes clínicos.

Representação de uma molécula ligando-se aos seus receptores celulares específicos e sendo internalizada para dentro da célula. Fonte própria. Direitos reservados.

Benefícios do AlphaFold 3

• Precisão Aprimorada: O AlphaFold 3 mostra uma melhoria de pelo menos 50% na previsão das interações moleculares em comparação com os métodos existentes, e em alguns casos, dobrou a precisão.1,2
• Acesso Gratuito para Pesquisa: Embora o modelo comercial seja gerido pela Isomorphic Labs, o AlphaFold 3 oferece acesso gratuito para usos não comerciais, democratizando a pesquisa biomolecular.1,2
• Colaboração com a Indústria Farmacêutica: A Isomorphic Labs já está colaborando com empresas farmacêuticas para aplicar o AlphaFold 3 em desafios reais de design de medicamentos, visando desenvolver novos tratamentos que possam transformar a vida dos pacientes.1,2

Por Que Isso é Importante?

O avanço computacional no desenvolvimento de sistemas e algoritmos que podem realizar tarefas complexas, incluindo aprendizado de máquina e análise de grandes volumes de dados, aliado ao aumento do número de informações disponíveis, como os bancos de dados de proteínas, representa não apenas um avanço tecnológico, mas também uma ferramenta poderosa que pode transformar a abordagem da indústria farmacêutica na descoberta de medicamentos. A capacidade de modelar interações complexas entre biomoléculas abre novas possibilidades para entender e tratar uma variedade de doenças, desde o câncer até doenças infecciosas e genéticas.1,2,4

Para os profissionais da área de marketing farmacêutico e da área médica, compreender o potencial de modelos de inteligência artificial, como o AlphaFold 3, é extremamente valioso, pois essa tecnologia não só acelera o desenvolvimento de novos produtos, mas também oferece uma vantagem competitiva significativa no mercado farmacêutico global.2

Em resumo, o AlphaFold 3 parece ser mais do que uma atualização técnica; pode ser um salto quântico na capacidade de entender e manipular a biologia molecular, com um impacto direto e significativo na saúde global.1,2 Vamos acompanhar os desdobramentos disso nos próximos anos!

Veja também a matéria sobre Neurociência da Memória: Desvendando o Método de Sherlock Holmes

Referências bibliográficas:

1. Abramson J, Adler J, Dunger J, et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature 2024;630(8016):493–500.
2. AlphaFold 3 predicts the structure and interactions of all of life’s molecules [Internet]. Google. 2024 [cited 2024 Jun 15];Available from: https://blog.google/technology/ai/google-deepmind-isomorphic-alphafold-3-ai-model/
3. Alberts B, Johnson A, Lewis J, Raff M, Roberts K, Walter P. Molecular Biology of the Cell. Garland Science; 2002.
4. Kuhlman B, Bradley P. Advances in protein structure prediction and design. Nat Rev Mol Cell Biol 2019;20(11):681–97.
5. Ahmed MH, Ghatge MS, Safo MK. Hemoglobin: Structure, Function and Allostery. Subcell Biochem 2020;94:345–82.
6. Kryshtafovych A, Schwede T, Topf M, Fidelis K, Moult J. Critical assessment of methods of protein structure prediction (CASP)-Round XIII. Proteins 2019;87(12):1011–20.