Pesquisadores, em sua maioria do laboratório do ganhador do Nobel David Baker, da Universidade de Washington, desenvolveram proteínas enzimáticas concebidas com inteligência artificial capazes de cortar ligações peptídicas em outras proteínas. O trabalho baseia-se em ferramentas como RFdiffusion2 e ProteinMPNN e demonstrou que esses modelos conseguem construir estruturas que posicionam aminoácidos catalíticos perto de uma sequência-alvo, mesmo quando o projeto não é semelhante a proteínas conhecidas nos bancos de dados.
As ligações peptídicas apresentam grande estabilidade química; sua decomposição espontânea na água pode levar centenas de anos. Os organismos vivos usam enzimas proteases para acelerar esse processo. Os pesquisadores concentraram-se em dois mecanismos: uma protease dependente de zinco e uma protease dependente do aminoácido cisteína. Em ambos os casos, o desafio era organizar com precisão um pequeno número de aminoácidos dentro de um centro catalítico capaz de atacar a ligação-alvo.
Como foram construídas as enzimas concebidas?
A equipe partiu de duas estruturas conhecidas: uma protease de zinco do sistema digestivo da lagosta e uma protease de cisteína de levedura. A RFdiffusion2 foi usada para criar o esqueleto da proteína, impondo restrições que garantiam a aproximação dos aminoácidos catalíticos entre si e da sequência que se pretendia cortar. Em seguida, a ProteinMPNN preencheu o esqueleto com aminoácidos compatíveis com o dobramento estrutural, o sítio catalítico e a interação com o alvo.
Os pesquisadores projetaram 12 esqueletos e 69 conjuntos de aminoácidos para o projeto da protease de cisteína, enquanto 135 projetos foram testados no projeto da protease de zinco. Eles usaram a AlphaFold3 para prever as estruturas de vários projetos e não encontraram nos bancos de dados proteínas semelhantes em grau que indicasse que as ferramentas simplesmente haviam reutilizado estruturas conhecidas.
Atividade mensurável, mas com uma lacuna em relação às enzimas naturais
A equipe testou os projetos dentro de uma proteína longa que reunia a protease, a sequência-alvo e uma proteína fluorescente, de modo que o corte revelasse o sucesso da reação. Treze projetos de protease de cisteína foram bem-sucedidos, ou seja, 19% dos testes, mas sua atividade foi muito inferior à da enzima de levedura de referência.
Nos projetos de protease de zinco que não incluíam como restrição explícita a molécula de água necessária à reação, 14 de 89 apresentaram atividade catalítica fraca. A análise dos projetos malsucedidos mostrou que uma molécula de água às vezes ocupava a posição necessária à reação. Ao incluir a posição da água no projeto, o sucesso aumentou para 35 de 38 projetos, embora a atividade permanecesse abaixo do nível da enzima natural na maioria dos casos.
Os pesquisadores aprimoraram alguns projetos substituindo aminoácidos próximos ao sítio ativo, mas que não participavam diretamente da catálise. A melhor modificação em um dos projetos acelerou o corte da ligação peptídica em 109 vezes, mantendo alta especificidade pela sequência-alvo. A segunda versão da protease de zinco também foi 30 vezes mais ativa que o projeto original e acelerou a reação em 1010 vezes.
O que isso significa para as aplicações médicas?
Em um experimento final, os pesquisadores projetaram proteases de zinco direcionadas a proteínas associadas à doença de Alzheimer e à demência frontotemporal, e uma delas conseguiu cortar o alvo pretendido dentro das células. Porém, modificar um projeto existente para direcioná-lo a uma nova sequência não teve bons resultados, levando a equipe a reiniciar o processo de projeto desde o início.
Os resultados mostram o potencial do uso dessa metodologia para atingir proteínas anormais associadas a algumas doenças, mas não representam um tratamento pronto. A entrega das proteínas ao local apropriado é difícil, e elas podem provocar uma resposta imune. Se o alvo estiver dentro da célula, talvez seja necessário entregar às células relevantes o gene que codifica a protease, o que constitui um desafio adicional.
Limitações do projeto com inteligência artificial
Os experimentos mostram que as ferramentas atuais de projeto são boas em cumprir restrições geométricas e estruturais: dobrar a proteína da forma desejada, aproximar os aminoácidos catalíticos e ligar-se a uma sequência específica. No entanto, por si só, elas não garantem os detalhes precisos necessários para uma alta atividade enzimática. Alguns projetos eram estruturalmente quase corretos, mas apresentavam interação fraca; pequenas mutações posteriormente aumentaram sua atividade de forma expressiva.
A principal conclusão é que o projeto de proteínas com inteligência artificial ultrapassou a fase de propor estruturas teóricas e passou a produzir enzimas que atuam efetivamente sobre alvos específicos, mas a lacuna entre estrutura, atividade e entrega no organismo ainda limita a transição para aplicações terapêuticas. Os resultados foram publicados na revista Nature sob os identificadores digitais 10.1038/s41586-026-11143-w e 10.1038/s41586-026-11167-2.