Proteínas que ninguém sabia interpretar começaram a ganhar função e IA apontou pistas que o laboratório conseguiu testar
Modelo combinou sequências e contexto biológico para propor funções e teve uma interação de proteína humana confirmada experimentalmente
Milhões de sequências proteicas continuam sem função confirmada experimentalmente, criando um enorme espaço de busca para a biologia. Um novo sistema chamado BioReason-Pro tenta reduzir esse problema usando IA para proteínas: ele combina informações da sequência, estrutura, domínios, interações e contexto biológico para formular hipóteses testáveis. Em um caso particularmente importante, o modelo propôs uma interação até então não registrada para uma proteína humana associada ao câncer renal, e pesquisadores conseguiram detectá-la experimentalmente.
Como a IA para proteínas tenta descobrir o que uma sequência faz?
O BioReason-Pro não procura apenas uma proteína semelhante e transfere sua função. Ele combina representações produzidas pelo modelo ESM3 com previsões de Gene Ontology, informações sobre domínios proteicos e um modelo de linguagem capaz de organizar essas evidências em uma hipótese funcional.
O sistema foi treinado a partir de mais de 130 mil exemplos de raciocínio sobre proteínas de 3.135 organismos. Depois, recebeu otimização por aprendizado por reforço para melhorar suas previsões de função molecular, processos biológicos e localização celular.
Leia também: Uma montanha invisível desvia correntes no fundo do oceano e leva alimento às encostas
Por que proteínas pouco estudadas representam um problema tão difícil?
Sequenciar um gene permite inferir a sequência de aminoácidos de uma proteína, mas isso não revela automaticamente sua função. Métodos tradicionais dependem fortemente de semelhanças com proteínas conhecidas, deixando proteínas muito diferentes ou sem domínios reconhecíveis particularmente difíceis de interpretar.
O objetivo do novo sistema é transformar esse enorme universo em uma lista menor de hipóteses experimentais. Em vez de testar dezenas ou centenas de possibilidades no laboratório, pesquisadores podem priorizar interações ou mecanismos considerados mais plausíveis pelo modelo.
- Analisa a sequência de aminoácidos;
- Considera domínios e características estruturais;
- Prevê termos de função e localização celular;
- Sugere possíveis parceiros de interação;
- Produz hipóteses que podem ser testadas experimentalmente.
Este vídeo do Arc Institute apresenta o funcionamento do BioReason-Pro.
Qual proteína humana forneceu o teste mais direto da abordagem?
Os pesquisadores escolheram RCDG1, também chamada C4orf46, uma proteína humana de apenas 113 aminoácidos associada ao carcinoma de células renais. Ela não possui um domínio catalítico ou funcional conhecido capaz de fornecer uma explicação clara sobre seu papel molecular.
Sem receber uma lista de interações conhecidas, o BioReason-Pro sugeriu que RCDG1 poderia funcionar como um adaptador citosólico relacionado às pequenas GTPases Rab dos endossomos e indicou especificamente RAB5A como possível parceira.
O laboratório realmente confirmou uma previsão feita pela IA?
Para testar a hipótese, a equipe produziu células HEK293T expressando RCDG1 marcada e realizou coimunoprecipitação, técnica usada para descobrir se duas proteínas aparecem no mesmo complexo. O experimento forneceu evidência de interação entre RCDG1 e RAB5A.
No estudo original do BioReason-Pro, os autores apresentam o resultado como uma validação prospectiva de uma previsão feita para uma proteína sem função molecular experimentalmente atribuída. Isso apoia a utilidade do modelo como gerador de hipóteses, mas não demonstra sozinho todo o mecanismo celular de RCDG1.
O que a IA para proteínas conseguiu além desse experimento?
Em testes com proteínas cuja biologia já era conhecida, o modelo também propôs parceiros de ligação e concentrou sua atenção computacional em resíduos que correspondiam às interfaces observadas posteriormente em estruturas experimentais de criomicroscopia eletrônica.
Em uma avaliação independente do experimento com RCDG1, 27 especialistas analisaram previsões referentes a 162 proteínas. A versão supervisionada do BioReason-Pro empatou ou superou as anotações de referência do UniProt em 79% das comparações feitas pelos avaliadores.
Até onde a IA para proteínas pode substituir experimentos?
Ela não substitui. O próprio trabalho mostra limitações importantes: o desempenho cai em proteínas muito curtas ou sem domínios reconhecíveis, e os raciocínios usados no treinamento foram produzidos sinteticamente, podendo carregar erros. Uma interação prevista também não equivale automaticamente a uma função biológica completamente demonstrada.
A vantagem está em priorizar perguntas. Para proteínas sobre as quais quase nada é conhecido, uma previsão específica pode indicar qual interação, localização ou mecanismo merece ser testado primeiro. O laboratório continua responsável por decidir quais dessas pistas representam fenômenos celulares reais.
Os comentários não representam a opinião do site; a responsabilidade pelo conteúdo postado é do autor da mensagem.
Comentários (0)