Nos últimos meses, a inteligência artificial trouxe novidades empolgantes para a biologia molecular. No final de 2020, o grupo DeepMind do Google anunciou o lançamento do AlphaFold, um sistema capaz de predizer a forma tridimensional de proteínas a partir de seus aminoácidos formadores. Agora, um grupo de pesquisas do Instituto de Tecnologia de Massachusetts (MIT), nos Estados Unidos, acaba de publicar seu trabalho apresentando um algoritmo capaz de prever a estrutura formada quando duas proteínas se ligam. A ligação entre proteínas é essencial para sua atividade biológica; é através de uma interação deste tipo, por exemplo, que o vírus SARS-CoV-2 consegue invadir as células humanas e causar COVID-19, e também é pela ligação de um anticorpo ao antígeno do vírus que este último é inativado pelo sistema imunológico.
As proteínas têm estruturas tridimensionais bastante complexas, podendo se ligar a outras moléculas tanto através das restrições espaciais quanto das interações químicas de superfície. Entretanto, as possibilidade de ligação são quase infinitas, sendo inviável estudar in vitro quais combinações terão o resultado desejado. Já existem métodos computacionais capazes de simular estas interações, mas eles costumam ser muito lentos.
O sistema do MIT, batizado de Equidock, funciona convertendo as estruturas 3D de duas proteínas candidatas em grafos tridimensionais, onde os aminoácidos são representados pelos nós; nesta forma, os dados podem ser tratados por redes neurais. Ao modelo ainda foi incorporado conhecimento geométrico e matemático, já que os datasets disponíveis para treiná-lo são limitados, de forma a garantir que a interação ocorresse sempre da mesma forma, que é como acontece no corpo humano.
No final do desenvolvimento, o Equidock foi comparado com outras quatro técnicas tradicionais. Em alguns casos, a qualidade das predições foi ligeiramente pior, mas o algoritmo é capaz de produzir resultados até 500 vezes mais rápido. Isto o torna uma ferramenta adequada para o estudo inicial de interação proteica, onde candidatos promissores podem ser selecionados rapidamente para investigação mais aprofundada pelas metodologias mais lentas.
Além de esclarecer como funcionam processos regulares de funcionamento da célula, a nova técnica tem potencial para, por exemplo, informar o desenvolvimento de anticorpos artificiais, capazes de se ligar a antígenos com alta eficiência, ou orientar a criação de novas drogas com afinidade e seletividade superior.
