Pesquisadores do Instituto de Química Orgânica de Xangai da Academia Chinesa de Ciências desenvolveram um modelo generativo de inteligência artificial que prevê interações proteína-proteína em resolução atômica, de acordo com um estudo publicado no Proceedings of the National Academy of Sciences (PNAS) em 9 de junho de 2026. O modelo, denominado Void-X, adota uma abordagem fundamentalmente diferente para o design de proteínas, construindo interfaces de átomos individuais para cima, em vez de esculpir primeiro uma forma geral de proteína.
O trabalho, liderado pelos Drs. Yang Jing, Yuan Junying e James J. Chou foram destacados pela Academia Chinesa de Ciências e relatados por Phys.org. Acrescenta uma nova ferramenta a um campo em rápida evolução, no qual a IA é cada vez mais utilizada para conceber as máquinas moleculares que sustentam os medicamentos, os materiais e a biologia sintética. Para mais contexto sobre esta história, confira nossa atualizações de inteligência artificial.
Por que as interações proteína-proteína são importantes
As proteínas são os cavalos de batalha moleculares do corpo humano. Eles constroem tecidos, transportam moléculas, regulam a comunicação celular e defendem-se contra infecções. Muitos dos medicamentos mais importantes – incluindo terapias com anticorpos para o cancro e insulina para a diabetes – funcionam interagindo com proteínas específicas ou substituindo aquelas que estão em falta ou que funcionam mal.
Como muitos processos biológicos dependem de como as proteínas se ligam umas às outras, a capacidade de prever e projetar com precisão as interações proteína-proteína poderia acelerar a descoberta de medicamentos e atender às necessidades médicas não atendidas. O progresso aqui também complementa os rápidos avanços nas tecnologias de distribuição, como vetores de vírus adeno-associados e nanopartículas lipídicas de mRNA, que transportam moléculas terapêuticas para as células.
Uma abordagem de baixo para cima em vez de de cima para baixo
A maioria das estruturas de IA existentes para design de proteínas segue uma estratégia de cima para baixo: primeiro geram uma estrutura proteica geral que se ajusta a um local alvo e depois projetam uma sequência para otimizar a ligação. Void-X inverte essa lógica.
O modelo é um sistema de enchimento atômico. Ele é treinado para reconhecer padrões de interação em escala atômica e para preencher os “vazios” – as lacunas – nas interfaces das proteínas. Sua suposição orientadora é que complexos macromoleculares estáveis são mantidos juntos por um empacotamento atômico ideal, que emerge de interações locais entre átomos vizinhos, bem como de acoplamentos de ordem superior com átomos mais distantes. Em vez de projetar uma forma de proteína inteira, o Void-X gera diretamente aglomerados atômicos compactos otimizados para empacotamento compacto dentro de uma região estrutural especificada, dando ao projeto uma base fisicamente fundamentada.
Treinado em oito milhões de aglomerados atômicos
Para treinar o Void-X, os pesquisadores montaram um conjunto de dados de mais de oito milhões de aglomerados atômicos esféricos extraídos de estruturas determinadas experimentalmente e depositadas no Protein Data Bank. Para cada cluster, cerca de 30% dos átomos periféricos e espacialmente contíguos foram mascarados, enquanto os átomos restantes serviram como o “contexto” – efetivamente um alerta – que o modelo usou para prever os átomos ausentes.
A rede resultante contém 172 milhões de parâmetros e alcançou forte precisão preditiva: 78,3% para clusters atômicos intracadeias e 68,2% para clusters intercadeias, relataram os pesquisadores.
O que isso significa para a descoberta de medicamentos e muito mais
Segundo os autores, essas capacidades permitem a geração de novo de interações proteicas de resolução atômica, oferecendo o que eles descrevem como uma rota complementar e fisicamente intuitiva para o design de proteínas. Ao combinar detalhes em nível atômico com modelagem generativa, o Void-X expande o kit de ferramentas para engenharia racional de interfaces biomoleculares.
Isso é importante porque o design da interface está no centro do desenvolvimento de medicamentos modernos. Melhores ferramentas computacionais para prever como uma molécula candidata se ligará ao seu alvo proteico podem encurtar o caminho da ideia à terapia, reduzir a dependência de experiências dispendiosas de tentativa e erro e tornar mais fácil a concepção de proteínas para funções inteiramente novas na biologia sintética.
Um campo em crescimento
Void-X chega em meio a uma onda de trabalho com proteínas impulsionado por IA. Da previsão da estrutura ao design generativo de todos os átomos, os pesquisadores estão constantemente avançando em direção à capacidade de modelar interações biomoleculares com resolução atômica total. Os sistemas generativos anteriores de todos os átomos já demonstraram a viabilidade de projetar e prever interações nessa escala, e o Void-X contribui com uma estratégia distinta de empacotamento inicial para o mesmo esforço.
O truque de mascaramento que faz funcionar
O método de treinamento do Void-X pega emprestada uma página do manual do modelo de linguagem. Ao mascarar cerca de 30% dos átomos em cada cluster de treinamento e pedir ao modelo para inferi-los a partir do contexto circundante, os pesquisadores transformaram a biologia estrutural em uma tarefa de preencher as lacunas – o mesmo princípio que permite que grandes modelos de linguagem prevejam palavras faltantes em uma frase. A diferença é que o “vocabulário” do Void-X consiste em átomos dispostos no espaço tridimensional, e a gramática que ele aprende reflete as regras de empacotamento físico que governam como as proteínas reais se dobram e se ligam.
Esse treinamento consciente da estrutura é o que separa o Void-X das abordagens que tratam as proteínas como sequências planas de aminoácidos. Como o modelo raciocina simultaneamente sobre acoplamentos atômicos locais e de longo alcance, ele pode propor geometrias de interface que respeitem as restrições físicas de um complexo estável, em vez de produzir projetos de aparência plausível, mas biologicamente instáveis.
Limites e questões abertas
Os resultados são promissores, mas os investigadores estão convencidos de que os desafios permanecem. A precisão intercadeia de 68,2% — relevante para os complexos multiproteicos que definem a maioria dos alvos de medicamentos no mundo real — é significativamente inferior ao valor intracadeia, refletindo a maior dificuldade de modelar como duas moléculas separadas se unem. Projetar uma interface que se vincule firmemente a um modelo computacional também é apenas o primeiro passo; os candidatos ainda devem ser sintetizados e validados experimentalmente, e as interações previstas podem falhar no ambiente mais confuso de uma célula viva.
Aumentar a escala dos dados de treinamento, refinar o tratamento do modelo de regiões proteicas flexíveis ou desordenadas e integrar o Void-X com sistemas complementares de cima para baixo são provavelmente os próximos passos. Os autores enquadram a sua contribuição como uma tecnologia complementar e não como uma tecnologia de substituição – uma opção fisicamente fundamentada a ser combinada com estruturas existentes à medida que o campo avança em direção a um design molecular confiável e de ponta a ponta.
Uma tendência mais ampla
O estudo, publicado sob DOI 10.1073/pnas.2607035123, sinaliza que a competição para construir ferramentas de design molecular cada vez mais precisas está bem encaminhada – e que a IA generativa está se tornando uma parte indispensável da bancada de trabalho do bioquímico. À medida que modelos como o Void-X estreitam a lacuna entre a computação e o laboratório, a esperança é que os investigadores sejam capazes de conceber novas terapêuticas, enzimas e materiais de forma mais rápida e racional do que nunca.
---
Fique à Frente da IAAs últimas notícias, análises e avanços em inteligência artificial — tudo em um só lugar.
Ler mais notícias de IA →
