Um novo modelo de IA, o OpenFold3, está a expandir significativamente o acesso a uma ferramenta poderosa para prever como as proteínas interagem com outras moléculas, abrindo caminho para a descoberta acelerada de medicamentos e uma melhor compreensão dos processos biológicos. Construído como uma reconstrução de código aberto do AlphaFold3 do Google DeepMind, este desenvolvimento marca um passo crucial para democratizar uma tecnologia anteriormente restrita.
A ascensão do OpenFold3: uma resposta ao acesso limitado
AlphaFold3, lançado em outubro de 2023, representa um avanço significativo na inteligência artificial, permitindo previsões sobre como as proteínas interagem não apenas com outras proteínas, mas também com pequenas moléculas como as encontradas em drogas e ácidos nucléicos. No entanto, a DeepMind limitou inicialmente o acesso ao AlphaFold3 a indivíduos, organizações não comerciais e jornalistas, dificultando uma exploração científica mais ampla. Reconhecendo a necessidade de transparência e uma colaboração mais alargada, um consórcio de investigadores liderado por Mohammed AlQuraishi na Universidade de Columbia recriou meticulosamente a plataforma AlphaFold3, resultando no OpenFold3. Esse modelo de código aberto permite que empresas e pesquisadores utilizem a tecnologia para fins comerciais, incluindo esforços cruciais para o desenvolvimento de medicamentos.
Por Que Prever Interações Proteicas É Importante
Compreender como as proteínas interagem entre si e com outras moléculas é fundamental para a biologia. As proteínas são os cavalos de trabalho das células e a sua função é fortemente influenciada pela sua forma. “A biologia não é uma proteína isolada. São biomoléculas interagindo umas com as outras”, explica Woody Sherman, fundador e Diretor de inovação da Psivant Therapeutics e presidente do Comitê Executivo da OpenFold. Prever essas interações é um passo crítico no projeto de medicamentos, permitindo que os pesquisadores identifiquem potenciais alvos de drogas e desenvolvam moléculas que efetivamente se ligam e modulam a atividade proteica.
Lições aprendidas com AlphaFold2
A criação do OpenFold2 forneceu informações valiosas sobre o funcionamento interno dos modelos de IA ao estilo AlphaFold. Embora inicialmente apresentado como um algoritmo que aprende como as proteínas se dobram com base em sequências de aminoácidos, a pesquisa revelou que o AlphaFold2 “memoriza” principalmente estruturas de proteínas observadas anteriormente e usa essas memórias para prever as estruturas de proteínas semelhantes. A aplicação deste entendimento ao AlphaFold3 poderia revelar informações semelhantes sobre os emparelhamentos proteína-droga, levando a uma maior precisão da previsão. Stephanie Wankowicz, bióloga estrutural computacional da Universidade Vanderbilt, destaca a importância da transparência do Código, afirmando que é “difícil avaliar um produto computacional sem ver as informações brutas.”
Os desafios da replicação
Embora outras equipas tenham tentado replicar o AlphaFold3, a obtenção de uma elevada precisão revelou-se difícil. Isso se deve em grande parte aos sutis “truques e ajustes” empregados pelos criadores do AlphaFold3 que não estão explicitamente documentados no código ou nos materiais de apoio. Sherman enfatiza o significado desses detalhes, observando que “ninguém está especificando isso… mas os detalhes são importantes, especialmente quando você está lidando com grandes modelos e com muitos dados.”A equipa do OpenFold3 reconhece que permanecem algumas diferenças entre o seu modelo e o AlphaFold3 original.
Indo Além Das Estruturas Estáticas: Incorporando Realidades Biológicas
Os modelos atuais de IA, incluindo AlphaFold3 e OpenFold3, geram imagens estáticas de proteínas. No entanto, nas células vivas, as proteínas são cercadas por água e íons, constantemente vibrando e se movendo. A equipa do OpenFold3 pretende incorporar estes factores dinâmicos no seu modelo, proporcionando uma representação mais realista de como as proteínas se comportam no seu ambiente natural.
Formação colaborativa para a descoberta melhorada de medicamentos
Mesmo antes do seu lançamento oficial, o OpenFold3 ganhou força na indústria farmacêutica. Cinco empresas uniram forças por meio da iniciativa federada OpenFold3 para treinar o modelo de IA usando conjuntos de dados proprietários, com o objetivo de construir uma ferramenta de previsão mais poderosa e especializada, protegendo informações confidenciais. Esta abordagem colaborativa demonstra o potencial do OpenFold3 para acelerar os esforços de descoberta de medicamentos, aproveitando o conhecimento específico da indústria. Actualmente, apenas uma pequena percentagem de estruturas proteicas em bases de dados publicamente disponíveis está associada a moléculas com propriedades semelhantes a medicamentos, uma lacuna que esta iniciativa espera colmatar.
Um impacto Gradual na descoberta de medicamentos
Embora o OpenFold3 ofereça uma enorme promessa, os especialistas alertam contra a expectativa de mudanças imediatas e revolucionárias na descoberta de medicamentos. “Será a próxima etapa, e a próxima etapa e a próxima etapa é onde realmente vamos começar a ver esse impacto significativo”, conclui Sherman. O OpenFold3 serve como um ponto de partida vital para os avanços no campo, capacitando os investigadores e acelerando o desenvolvimento de terapias novas e eficazes.
