O Prêmio Nobel de Química de 2024 reconheceu Demis Hassabis, John Jumper e David Baker por aplicarem aprendizado de máquina a um dos maiores desafios da biologia: prever a estrutura tridimensional das proteínas e projetá-las do zero.
A premiação deste ano chamou atenção por celebrar um trabalho que nasceu dentro de uma empresa de tecnologia: a DeepMind, startup de pesquisa em IA comprada pelo Google em 2014. Na maior parte das edições anteriores, o Nobel de Química foi concedido a cientistas ligados à academia.
Vários vencedores do Nobel já criaram startups para ampliar e comercializar descobertas revolucionárias - como no caso da tecnologia de edição genética CRISPR e dos pontos quânticos -, mas, nesses exemplos, a pesquisa não foi realizada integralmente no ambiente comercial, do começo ao fim.
Embora os Nobéis de Física e de Química sejam entregues separadamente, em 2024 há uma ligação marcante entre os temas premiados.
Em Física, o prêmio foi para dois cientistas da computação que estabeleceram as bases do aprendizado de máquina. Já em Química, os laureados foram reconhecidos por empregar aprendizado de máquina para enfrentar um dos maiores enigmas da biologia: como as proteínas se dobram.
Os Prêmios Nobel de 2024 reforçam, ao mesmo tempo, a relevância desse tipo de inteligência artificial e o quanto a ciência atual frequentemente cruza fronteiras tradicionais, combinando áreas diferentes para alcançar resultados decisivos.
O desafio da dobra de proteínas
As proteínas são as máquinas moleculares da vida. Elas compõem uma parte significativa do nosso corpo, incluindo músculos, enzimas, hormônios, sangue, cabelo e cartilagem.
Compreender a estrutura das proteínas é fundamental porque é o formato que determina o que elas fazem.
Em 1972, Christian Anfinsen recebeu o Prêmio Nobel de Química ao demonstrar que a sequência dos blocos de construção de aminoácidos de uma proteína determina sua forma e, por consequência, influencia sua função. Quando uma proteína se dobra de maneira incorreta, ela pode deixar de funcionar como deveria e contribuir para doenças como Alzheimer, fibrose cística ou diabetes.
O formato final de uma proteína depende de interações minúsculas - atrações e repulsões - entre todos os átomos dos aminoácidos que a compõem. Alguns “preferem” ficar próximos, outros não. Com base em muitos milhares dessas interações químicas, a proteína se retorce e se dobra até chegar à sua conformação final.
Durante décadas, um dos maiores desafios da biologia foi prever o formato de uma proteína usando apenas a sequência de aminoácidos.
Mesmo que hoje já seja possível prever a estrutura, ainda não entendemos como as proteínas se movimentam para alcançar formas tão específicas e reduzir as repulsões de todas as interações interatômicas em poucos microssegundos.
Para entender como as proteínas funcionam e evitar a dobra incorreta, os cientistas precisavam de um jeito de prever o processo de dobra - e desvendar esse quebra-cabeça estava longe de ser simples.
Em 2003, o bioquímico David Baker, da Universidade de Washington, escreveu o Rosetta, um programa de computador voltado ao design de proteínas. Com ele, Baker mostrou que dava para inverter o problema da dobra: escolher uma forma de proteína e, então, prever a sequência de aminoácidos necessária para produzi-la.
Foi um avanço extraordinário, mas a forma usada nos cálculos era simples, e as contas exigiam grande complexidade. Para projetar rotineiramente proteínas inéditas com estruturas desejadas, seria necessário um grande salto de paradigma.
Uma nova era do aprendizado de máquina
Aprendizado de máquina é um tipo de IA em que computadores aprendem a resolver problemas analisando enormes volumes de dados. Essa técnica já foi empregada em campos diversos, de jogos e reconhecimento de fala a veículos autônomos e pesquisa científica.
A proposta do aprendizado de máquina é explorar padrões ocultos nos dados para responder a perguntas complexas.
Esse caminho deu um salto importante em 2010, quando Demis Hassabis cofundou a DeepMind, com o objetivo de unir neurociência e IA para lidar com problemas do mundo real.
Hassabis, prodígio do xadrez aos 4 anos, logo ganhou destaque com o AlphaZero, uma IA que aprendeu sozinha a jogar xadrez em nível sobre-humano. Em 2017, o AlphaZero derrotou de forma contundente o principal programa de xadrez do mundo, o Stockfish-8.
O fato de a IA aprender a partir das próprias partidas, em vez de depender de estratégias pré-programadas, marcou um ponto de virada no universo da IA.
Pouco depois, a DeepMind levou técnicas semelhantes ao Go, um jogo de tabuleiro antigo famoso por sua enorme complexidade. Em 2016, o programa AlphaGo venceu um dos melhores jogadores do mundo, Lee Sedol, em uma partida acompanhada amplamente e que surpreendeu milhões.
Ainda em 2016, Hassabis direcionou o foco da DeepMind para um novo desafio: o problema da dobra de proteínas. Sob a liderança de John Jumper, químico com formação em ciência de proteínas, teve início o projeto AlphaFold.
A equipe treinou a IA com um grande banco de dados de estruturas de proteínas determinadas experimentalmente, o que permitiu ao sistema aprender princípios de como as proteínas se dobram.
O resultado foi o AlphaFold2, uma IA capaz de prever a estrutura 3D de proteínas a partir de suas sequências de aminoácidos com precisão notável.
Tratou-se de um avanço científico importante. Desde então, o AlphaFold já previu as estruturas de mais de 200 milhões de proteínas - essencialmente todas as proteínas que os cientistas sequenciaram até hoje. Esse enorme banco de estruturas passou a ficar disponível gratuitamente, acelerando pesquisas em biologia, medicina e desenvolvimento de medicamentos.
Proteínas projetadas para combater doenças
Entender como as proteínas se dobram e funcionam é decisivo para criar novos remédios. Enzimas, um tipo de proteína, atuam como catalisadores em reações bioquímicas e podem acelerar ou regular esses processos.
Para tratar doenças como câncer ou diabetes, pesquisadores frequentemente miram enzimas específicas envolvidas em vias relacionadas à doença. Ao prever o formato de uma proteína, os cientistas conseguem identificar onde pequenas moléculas - potenciais candidatas a fármacos - podem se ligar a ela, o que constitui o primeiro passo no desenho de novos medicamentos.
Em 2024, a DeepMind lançou o AlphaFold3, uma versão aprimorada do programa AlphaFold que, além de prever formas de proteínas, também aponta possíveis sítios de ligação para pequenas moléculas. Esse avanço facilita o desenvolvimento de fármacos que atinjam com precisão as proteínas certas.
O Google comprou a DeepMind em 2014 por, segundo relatos, cerca de meio bilhão de dólares. A Google DeepMind agora iniciou um novo empreendimento, a Isomorphic Labs, para colaborar com empresas farmacêuticas no desenvolvimento de medicamentos no mundo real usando essas previsões do AlphaFold3.
Por sua vez, David Baker continuou contribuindo de modo relevante para a ciência de proteínas. Seu grupo na Universidade de Washington desenvolveu um método baseado em IA chamado "family-wide hallucination", usado para criar proteínas totalmente novas a partir do zero.
Aqui, “alucinações” são novos padrões - neste caso, proteínas - que são plausíveis, ou seja, se encaixam bem nos padrões presentes nos dados usados para treinar a IA.
Entre as proteínas inéditas produzidas, havia uma enzima que emite luz, evidenciando que o aprendizado de máquina pode ajudar a criar novas proteínas sintéticas. Essas ferramentas de IA trazem maneiras inéditas de desenhar enzimas funcionais e outras proteínas que jamais poderiam ter evoluído naturalmente.
A IA viabilizará o próximo capítulo da pesquisa
As conquistas de Hassabis, Jumper e Baker dignas de Nobel mostram que o aprendizado de máquina não é apenas um recurso para cientistas da computação - ele se tornou um componente essencial do futuro da biologia e da medicina.
Ao enfrentar um dos problemas mais difíceis da biologia, os vencedores do prêmio de 2024 abriram novas possibilidades para descoberta de medicamentos, medicina personalizada e até para a nossa compreensão da própria química da vida.
Marc Zimmer, Professor de Química, Connecticut College
Este artigo é republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.
Comentários
Ainda não há comentários. Seja o primeiro!
Deixar um comentário