Universidade do Missouri lança benchmark de modelos proteicos PSBench para desenvolvimento de fármacos orientado por IA

Pesquisadores da University of Missouri lançaram o PSBench, um banco de dados com 1,4 milhão de modelos anotados de estruturas de proteínas, um novo recurso que pode acelerar o desenvolvimento de medicamentos para doenças como Alzheimer e câncer. Os modelos foram verificados por especialistas independentes e destinam-se a ajudar cientistas a construir sistemas de inteligência artificial mais precisos para avaliar a qualidade de modelos de estrutura proteica. Avanços recentes em IA, incluindo ferramentas como AlphaFold, melhoraram dramaticamente a predição da estrutura de proteínas, mas nenhuma ferramenta única de IA é consistentemente precisa para todos os tipos de proteína.

O banco de dados fornece aos cientistas informações para avaliar se os modelos proteicos preditos são confiáveis, o que é fundamental para o desenvolvimento de futuros tratamentos médicos. As proteínas comandam todos os processos biológicos no corpo humano, e suas formas tridimensionais determinam como funcionam. Mesmo pequenas alterações estruturais podem levar a doenças.

O recurso PSBench foi construído aproveitando recursos internos e de toda a comunidade gerados na Critical Assessment of protein Structure Prediction (CASP), amplamente reconhecida como o padrão-ouro internacional para avaliar métodos computacionais de predição de proteínas. A competição bienal foi criada para testar de forma independente modelos computacionais que preveem como cadeias proteicas se dobram nas formas 3D de que precisam para funcionar.

Esses avanços refletem uma mudança mais ampla na descoberta de fármacos biológicos, que está deixando de ser um processo lento e experimental para se tornar uma disciplina de engenharia orientada por dados. Avanços em aprendizado profundo, desde modelos de linguagem de proteínas que interpretam a gramática das sequências até preditores de estrutura e modelos generativos de nova geração, estão permitindo aos pesquisadores decodificar, prever e criar moléculas biológicas complexas com uma precisão sem precedentes. Ao aprender com vastos conjuntos de dados biológicos, esses sistemas podem identificar padrões que ligam sequência, estrutura e função, afastando o campo da descoberta ao acaso e aproximando-o de uma inovação racional, guiada por design.

A IA pode projetar novas proteínas, anticorpos, peptídeos e ácidos nucleicos com funções sob medida, ao mesmo tempo em que otimiza propriedades como afinidade de ligação, estabilidade e capacidade de fabricação. Abordagens generativas, incluindo modelos de difusão e arquiteturas autorregressivas, permitem que cientistas explorem vastas regiões do espaço de design molecular que seriam inacessíveis por triagem convencional ou evolução dirigida. Em paralelo, o aprendizado de máquina está melhorando estratégias de entrega, como nanopartículas lipídicas, vetores virais e conjugados anticorpo-fármaco, ao prever desempenho, orientar formulações e propor novos componentes.

Os primeiros biológicos projetados por IA, incluindo terapias peptídicas, anticorpos e candidatos baseados em mRNA, estão entrando em avaliação clínica. Ao mesmo tempo, a otimização orientada por IA está acelerando a maturação de afinidade e a engenharia de estabilidade, reduzindo a necessidade de triagem experimental extensa e encurtando os prazos de desenvolvimento.

Os modelos atuais frequentemente se destacam na predição da estrutura molecular, mas têm dificuldade para captar a complexidade dos sistemas biológicos, deixando uma lacuna entre previsões in silico e resultados in vivo. Imunogenicidade, farmacocinética e contexto celular continuam difíceis de modelar com precisão, e o progresso é limitado pelo acesso restrito a conjuntos de dados de alta qualidade e específicos para cada tarefa, além da dificuldade de otimizar simultaneamente múltiplas propriedades de um fármaco sem concessões. Os autores de uma revisão recente afirmaram que uma integração mais estreita entre computação e experimento, particularmente por meio de fluxos de trabalho em ciclo fechado, orientados por IA, nos quais experimentos automatizados geram continuamente dados para refinar modelos, pode ajudar a reduzir a lacuna entre predição e desempenho.