Conformações de proteínas são cruciais para sua função, mas ainda representam um desafio para a inteligência artificial avançada, como o AlphaFold3. Pesquisadores do Instituto de Ciências Moleculares (IMS) e da Universidade de Estudos Avançados SOKENDAI, no Japão, desenvolveram um novo método que permite ao AlphaFold explorar múltiplas conformações.

Proteínas são moléculas formadas por cadeias de aminoácidos que se dobram em estruturas tridimensionais determinadas pela sequência desses aminoácidos. Em resposta a sinais como a ligação de um ligante (molécula que se une à proteína), elas mudam entre diferentes formas, conhecidas como conformações, para executar funções como síntese ou transporte de substâncias.

A previsão da estrutura dobrada apenas a partir da sequência de aminoácidos foi um desafio há muito tempo na ciência das proteínas, até que pesquisadores da Google DeepMind criaram o AlphaFold, uma IA que consegue prever estruturas com alta precisão. Este feito rendeu a John Jumper e Demis Hassabis o Prêmio Nobel de Química em 2024.

No entanto, enquanto as proteínas funcionam mudando entre várias conformações, o AlphaFold prediz apenas uma conformação para muitas delas, limitando seu uso nas ciências da vida, incluindo o design de medicamentos. O grupo liderado por Jun Ohnuki e Kei-ichi Okazaki desenvolveu um método baseado no AlphaFold para amostrar mudanças de conformação.

A nova técnica introduz uma força repulsiva entre as estruturas preditas pelo AlphaFold3, permitindo prever mudanças de conformação que eram difíceis de capturar com as configurações padrão. Os resultados foram publicados na revista JACS Au.