Avanços na simulação de proteínas com aprendizagem automática
Um novo estudo abre, entre outras coisas, possibilidades de aplicação à descoberta de medicamentos na medicina
Uma equipa internacional liderada pela Professora Einstein Cecilia Clementi do Departamento de Física da Freie Universität Berlin apresenta um avanço na simulação de proteínas. O estudo, publicado na edição de 18 de julho de 2025 da revista Nature Chemistry, apresenta o CGSchNet, um modelo de granulação grossa (CG) aprendido por máquina que pode simular proteínas com precisão e eficiência como nunca antes. Operando significativamente mais rápido do que a dinâmica molecular tradicional de todos os átomos, o CGSchNet permite que proteínas maiores e sistemas complexos sejam explorados - oferecendo aplicações potenciais na descoberta de medicamentos e engenharia de proteínas que podem fazer avançar os métodos de tratamento do cancro, por exemplo.
O desenvolvimento de um modelo geral de CG capaz de captar a dobragem e a dinâmica das proteínas tem sido um desafio persistente para os cientistas nos últimos cinquenta anos. "Este trabalho é o primeiro a demonstrar que a aprendizagem profunda pode ultrapassar esta barreira e conduzir a um sistema de simulação que se aproxima das simulações de proteínas de todos os átomos sem modelar explicitamente o solvente ou os detalhes atómicos", afirma Cecilia Clementi.
No CGSchNet, a equipa de Clementi treinou uma rede neural de grafos para aprender as interações efectivas entre as partículas da simulação grosseira de proteínas, a fim de reproduzir a dinâmica de um conjunto diversificado de milhares de simulações de todos os átomos. Ao contrário das ferramentas de previsão de estruturas, a CGSchNet modela o processo dinâmico, incluindo estados intermédios relevantes para os processos de dobragem incorrecta, como a formação de amilóides, que são agregados proteicos patológicos que surgem em casos de doença de Alzheimer, por exemplo. O modelo também simula transições entre estados dobrados - chave para a função da proteína - e generaliza para proteínas fora do seu conjunto de treino, demonstrando uma forte transferibilidade química. Além disso, prevê com precisão os estados metaestáveis das proteínas dobradas, desdobradas e desordenadas, que constituem a maioria das proteínas biologicamente activas. Tais previsões eram extremamente difíceis no passado devido à flexibilidade destas proteínas. O modelo também é capaz de estimar as energias livres de dobragem relativas de mutantes de proteínas, o que os métodos de simulação anteriores não conseguiam alcançar devido a limitações computacionais.
A Professora Cecilia Clementi é uma biofísica teórica e computacional. Anteriormente, realizou investigação como Einstein Visiting Fellow nos Centros de Investigação Colaborativa "Investigação de Membranas - Mecanismos Moleculares e Funções Celulares" e "Cascatas de Escala em Sistemas Complexos" na Freie Universität Berlin. É também a primeira cientista a ser recrutada de forma permanente para trabalhar em Berlim, na sequência do seu apoio como Einstein Visiting Fellow. Antes de se mudar para Berlim em 2020, Clementi foi professora de química e física na Rice University em Houston, Texas. O seu papel na Freie Universität permite-lhe reforçar a investigação em biofísica teórica e assistida por computador em Berlim e construir uma ponte entre a biofísica experimental e a matemática aplicada.
Observação: Este artigo foi traduzido usando um sistema de computador sem intervenção humana. A LUMITOS oferece essas traduções automáticas para apresentar uma gama mais ampla de notícias atuais. Como este artigo foi traduzido com tradução automática, é possível que contenha erros de vocabulário, sintaxe ou gramática. O artigo original em Inglês pode ser encontrado aqui.
Publicação original
Charron, N.E., Bonneau, K., Pasos-Trejo, A.S. et al. Navigating protein landscapes with a machine-learned transferable coarse-grained model. Nat. Chem. (2025).
Outras notícias do departamento ciência
