Cientistas usam IA generativa para desenhar enzimas que cortam proteínas específicas

Pesquisadores do laboratório de David Baker, da Universidade de Washington, usaram um pipeline de ferramentas de inteligência artificial generativa para desenhar, do zero, enzimas capazes de cortar proteínas específicas em pontos exatos. O trabalho foi publicado na revista Nature e reportado pelo Ars Technica em outubro de 2026. Baker dividiu o Prêmio Nobel de Química de 2024 por abrir caminho ao design computacional de proteínas, e este estudo aplica esse tipo de ferramenta a um problema mais difícil do que só desenhar uma estrutura: fazer uma proteína funcionar como tesoura molecular, cortando outra proteína exatamente onde se quer.

A equipe testou os desenhos cortando proteínas associadas a doenças neurológicas, como Alzheimer e demência frontotemporal, o que dá ao trabalho um horizonte terapêutico, ainda distante, além do interesse puramente metodológico.

Por que cortar uma proteína é tão difícil

Uma proteína é uma cadeia de aminoácidos ligados por ligações peptídicas. Isoladas, essas ligações são extremamente estáveis: os pesquisadores estimam meia-vida de várias centenas de anos em água. Na natureza, proteínas não duram tanto porque organismos evoluíram enzimas especializadas, as proteases, que catalisam a quebra dessas ligações.

O estudo usou dois mecanismos diferentes de corte como ponto de partida. A protease de zinco usa a carga positiva de um átomo de zinco para coordenar a ligação peptídica e uma molécula de água, que é então ativada para quebrar a ligação. A protease de cisteína usa um aminoácido do tipo cisteína presente na própria enzima, que ataca a ligação e forma um elo temporário com o pedaço da proteína cortada, depois desfeito por outra molécula de água.

Nos dois casos, o corte só acontece se um punhado de aminoácidos específicos da enzima estiver posicionado com extrema precisão dentro de um centro catalítico. É essa exigência de geometria fina que torna o design de uma protease um desafio bem maior do que desenhar uma proteína qualquer.

Como o pipeline de IA montou a tesoura, peça por peça

Os pesquisadores partiram de duas proteases já conhecidas: uma protease de zinco do sistema digestivo de um lagostim e uma protease de cisteína de levedura. Em ambos os casos já se sabia a estrutura e quais aminoácidos faziam o corte.

O desenho começou com o software RFdiffusion2, que gera o esqueleto da proteína (a sequência repetida de ligações peptídicas que forma a espinha dorsal da molécula). Os pesquisadores deram a ele duas restrições: o esqueleto precisava reunir os aminoácidos catalíticos necessários e também acomodar, perto do centro catalítico, a sequência específica da proteína alvo que deveria ser cortada.

Com o esqueleto pronto, entrou o ProteinMPNN, ferramenta que preenche essa estrutura com aminoácidos reais, aminoácido por aminoácido, respeitando três exigências ao mesmo tempo: compatibilidade com a dobra da proteína, formação do centro catalítico e capacidade de se ligar ao alvo pretendido. Por fim, o AlphaFold3 foi usado para prever a estrutura de muitos desses designs e confirmar que eles não se pareciam com nada já catalogado em bancos de dados, o que descarta a hipótese de as ferramentas estarem apenas reaproveitando estruturas conhecidas.

Os números por trás do anúncio

A equipe repetiu esse processo dezenas de vezes para os dois tipos de protease, e a taxa de sucesso variou bastante conforme as restrições dadas ao modelo.

Depois de identificar designs funcionais, os pesquisadores testaram mutações aleatórias em aminoácidos próximos ao sítio ativo, mas que não participavam diretamente da catálise. O melhor resultado para a protease de cisteína acelerou a quebra da ligação peptídica em um fator de 10 elevado a 9, mantendo alta especificidade pelo alvo. Para a protease de zinco, a versão aprimorada (chamada v2 no estudo) ficou 30 vezes mais ativa que o design original e acelerou a reação em um fator de 10 elevado a 10.

Mirando alvos de doenças neurológicas

Como demonstração final, a equipe tentou desenhar proteases de zinco voltadas a proteínas associadas a Alzheimer e demência frontotemporal. Adaptar o design já existente para um novo alvo não funcionou bem. Os pesquisadores tiveram que recomeçar o processo de design do zero, e dessa vez conseguiram uma enzima capaz de cortar o alvo pretendido dentro de células. Para a equipe, isso sugere que no futuro pode ser possível influenciar o curso de algumas doenças genéticas atacando diretamente as proteínas malformadas que as causam.

O limite que interessa a quem avalia modelos de IA

O ponto mais relevante do estudo para quem trabalha com IA generativa não é a biologia em si, mas uma lição sobre o que essas ferramentas conseguem otimizar. RFdiffusion2 e ProteinMPNN foram treinados e ajustados para acertar estrutura: dobra correta, posicionamento dos aminoácidos catalíticos, encaixe com o alvo. E nisso eles funcionaram, gerando moléculas sem equivalente em bancos de dados existentes.

O problema é que estrutura correta não é sinônimo de atividade alta. Boa parte dos designs dobrou do jeito certo e ainda assim catalisou a reação muito mais devagar que a enzima natural que serviu de referência. Só depois de testar mutações extras, fora do que o modelo generativo propôs originalmente, a equipe conseguiu ganhos de ordem de grandeza na atividade.

É um paralelo direto com um problema conhecido de quem avalia sistemas de IA: otimizar para uma métrica proxy (aqui, a estrutura prevista) não garante desempenho na métrica que realmente importa (aqui, a velocidade de catálise). Os próprios autores do estudo reconhecem essa lacuna: segundo o Ars Technica, eles destacam que, no momento, não existe forma de pedir diretamente a essas ferramentas um nível específico de atividade catalítica, só de geometria.

O que ainda falta antes de virar remédio

O uso terapêutico dessas proteases desenhadas por IA esbarra em obstáculos conhecidos da biotecnologia, não da inteligência artificial. Proteínas costumam ser difíceis de entregar no local exato onde são necessárias, podem provocar resposta imune, e se o alvo estiver dentro da célula, a própria célula precisaria fabricar a protease, o que exigiria entregar o gene que a codifica, não a proteína pronta.

Os pesquisadores também são claros quanto à juventude da tecnologia: as ferramentas de design de proteínas por IA têm poucos anos de existência, e tanto quem as desenvolve quanto quem as usa ainda está testando formas de incorporar restrições além da posição física dos átomos. Os detalhes completos do estudo estão nos artigos publicados na Nature, com DOIs 10.1038/s41586-026-11143-w e 10.1038/s41586-026-11167-2.

Fonte: Ars Technica — IA