Framework de ML do MIT melhora o design computacional de proteínas

Repensar a métrica do design de proteínas

Um novo framework de aprendizado de máquina, desenvolvido por biólogos do MIT, busca aumentar a taxa de sucesso do design computacional de proteínas — e, no processo, mudar a forma como a área mede o próprio progresso. Em vez de tentar reproduzir exatamente as sequências que a evolução selecionou, o método aposta em guiar a IA a “enxergar” as muitas sequências diferentes que podem adotar uma mesma estrutura.

O trabalho, publicado na PNAS, tem como autora sênior Amy E. Keating, chefe do Departamento de Biologia do MIT.

O desafio do design de proteínas

A função de uma proteína é determinada por sua estrutura, e a estrutura é determinada pela sequência de aminoácidos. Muitos métodos de design em duas etapas começam pela estrutura e, depois, usam um framework de ML para gerar um repertório de sequências capazes de adotar aquela forma. O problema é que, na natureza, muitas sequências diferentes dobram na mesma estrutura — e uma mesma sequência pode adotar estruturas distintas conforme a flexibilidade da proteína ou um gatilho funcional.

Uma nova métrica

“Durante anos, a área mediu o sucesso perguntando se um modelo consegue reproduzir a sequência que a evolução escolheu — nosso trabalho mostra que essa não é a melhor métrica para o design de proteínas”, afirma Keating. O framework, chamado PottsMPNN, procura modelar o cenário de sequência-energia de forma mais completa, distanciando-se de resultados que apenas reproduzem sequências naturais.

A promessa é aumentar a taxa de sucesso na criação de proteínas novas — incluindo exemplos capazes de se ligar a moléculas causadoras de doenças em nossas células.