Proteínas criadas por inteligência artificial ganharam marcas invisíveis dentro da própria sequência sem perder a capacidade de se ligar aos alvos em laboratório
Tecnologia do Google DeepMind incorpora assinaturas invisíveis a proteínas artificiais e alcança alta precisão de detecção sem comprometer funções testadas
Proteínas projetadas por inteligência artificial agora podem carregar uma assinatura invisível que permite reconhecer sua origem mesmo depois de serem produzidas fisicamente em laboratório. Pesquisadores do Google DeepMind desenvolveram o SynthIDBio, tecnologia que incorpora marcas identificáveis às sequências de aminoácidos e às estruturas tridimensionais previstas por IA. Publicado na revista Nature em 30 de setembro de 2026, o estudo demonstrou que proteínas marcadas continuaram capazes de se ligar a alvos biológicos. Nos testes, a identificação das assinaturas alcançou precisão elevada, abrindo possibilidades para rastrear criações artificiais e proteger a integridade de bancos de dados científicos.
Como o SynthIDBio consegue esconder uma assinatura dentro das proteínas?
As proteínas são formadas por sequências de aminoácidos que determinam como suas estruturas se organizam e interagem com outras moléculas. Modelos de inteligência artificial conseguem projetar novas sequências selecionando combinações adequadas para determinadas funções.
O SynthIDBio modifica discretamente esse processo de seleção, incorporando padrões estatísticos que podem ser reconhecidos posteriormente por um detector especializado. A assinatura não corresponde a uma etiqueta física adicionada à proteína, mas a informações distribuídas em sua própria composição molecular.
Por que as proteínas marcadas pelo SynthIDBio continuaram funcionando?
Uma dificuldade importante era evitar que as alterações prejudicassem o funcionamento das moléculas. Afinal, pequenas mudanças na sequência de aminoácidos podem modificar a estrutura de uma proteína e comprometer sua capacidade de reconhecer outros compostos.
Para investigar esse risco, a equipe utilizou ferramentas de projeto molecular, incluindo AlphaProteo e ProteinMPNN. Os pesquisadores produziram proteínas capazes de se ligar a três alvos e compararam o desempenho das versões marcadas com o de moléculas sem assinatura.
Os experimentos envolveram:
- VEGF-A, proteína associada à formação de vasos sanguíneos;
- PD-L1, envolvida na regulação de respostas imunológicas;
- Domínio RBD da proteína spike do SARS-CoV-2;
- Comparação das taxas de ligação bem-sucedida;
- Medição da afinidade entre proteínas e alvos;
- Avaliação da diversidade das sequências produzidas.
Como a tecnologia consegue marcar também estruturas tridimensionais?
Além da sequência de aminoácidos, os pesquisadores desenvolveram uma versão capaz de incorporar assinaturas às estruturas tridimensionais previstas por inteligência artificial. Nesse caso, a marca aparece em ajustes extremamente pequenos nas coordenadas dos átomos.
A tecnologia utiliza uma versão adaptada do AlphaFold 3, sistema desenvolvido para prever estruturas biomoleculares. O modelo aprende a distribuir alterações discretas durante a geração das coordenadas, preservando praticamente todas as características geométricas importantes para a precisão da previsão.
O que a pesquisa comprovou sobre a capacidade de detecção do SynthIDBio?
O estudo publicado na revista Nature, liderado por David Stutz e Alexander Cowen-Rivers, demonstrou que as duas abordagens podem produzir assinaturas detectáveis sem comprometer significativamente os resultados avaliados.
Nos experimentos com estruturas tridimensionais, a taxa de identificação correta ultrapassou 99,8%, considerando um limite de 0,1% de falsos positivos. A abordagem aplicada às sequências também apresentou detecção praticamente perfeita nas condições testadas. Entretanto, esses resultados não significam que qualquer proteína gerada por inteligência artificial possa ser reconhecida automaticamente, especialmente quando não recebeu a assinatura durante sua criação.
Quais números mostram os resultados das proteínas desenvolvidas em laboratório?
As proteínas sintetizadas com a assinatura apresentaram afinidade de ligação, taxa de sucesso e diversidade de sequências comparáveis às versões produzidas sem a tecnologia. Isso demonstra que o método conseguiu preservar as propriedades avaliadas nos três alvos estudados.
Já os testes computacionais mostraram que as estruturas marcadas mantiveram precisão semelhante à do AlphaFold 3 original. A detecção também resistiu a determinadas alterações digitais, embora o sistema não seja imune a modificações mais profundas.
| Indicador | Resultado da pesquisa |
|---|---|
| Alvos laboratoriais | VEGF-A, PD-L1 e RBD viral |
| Função das proteínas | Ligação comparável às versões sem marca |
| Detecção estrutural | Superior a 99,8% nos testes |
| Falsos positivos | Limite de 0,1% na avaliação |
| Publicação científica | Nature, setembro de 2026 |
Como o SynthIDBio poderá ajudar a identificar proteínas criadas por IA?
Uma aplicação possível envolve bancos de dados científicos que armazenam sequências e estruturas moleculares. Identificar quais registros foram produzidos por modelos artificiais pode evitar confusões entre resultados experimentais e previsões computacionais.
Outra possibilidade está na biossegurança, permitindo que empresas de síntese de DNA reconheçam projetos provenientes de sistemas que incorporam assinaturas verificáveis. Entretanto, a tecnologia não comprova que uma proteína seja segura nem detecta todas as criações artificiais. O próprio estudo apresenta o método como uma prova de conceito, ainda dependente de padronização e colaboração entre instituições. Sua principal contribuição é demonstrar que moléculas funcionais podem carregar informações rastreáveis sobre sua origem.
Os comentários não representam a opinião do site; a responsabilidade pelo conteúdo postado é do autor da mensagem.
Comentários (0)