Design de Proteínas com IA: Como as Redes Neuronais Criam Enzimas que Não Existem na Natureza

A natureza passou milhares de milhões de anos a desenvolver enzimas, proteínas que ajudam as reações químicas a ocorrer de forma rápida e eficiente. No entanto, a evolução natural nunca teve de resolver todos os problemas enfrentados pela química moderna, desde a produção de medicamentos especializados até ao processamento de materiais industriais pouco comuns. A inteligência artificial oferece uma alternativa: os investigadores conseguem agora propor estruturas proteicas completamente novas, produzi-las em laboratório e testar se são capazes de realizar uma determinada reação. Em 2026, esta abordagem já permitiu criar enzimas funcionais com estruturas que não existem nas suas equivalentes naturais.

Porque Estão os Cientistas a Desenvolver Proteínas que Vão Além da Natureza

Uma enzima é uma proteína formada por uma cadeia de aminoácidos que se dobra até adquirir uma estrutura tridimensional específica. Dentro dessa estrutura existe uma pequena região, denominada centro ativo, onde uma substância química se pode ligar e reagir. A proteína envolvente mantém os componentes necessários nas posições adequadas, permitindo frequentemente que uma reação decorra em condições menos exigentes do que as utilizadas na química industrial convencional. Uma proteína que funciona perfeitamente no interior de uma célula pode, contudo, ser inadequada para uma substância química desconhecida, um processo de fabrico ou um material recentemente desenvolvido.

Durante décadas, os cientistas melhoraram as enzimas através de pequenas alterações em proteínas existentes, avaliando quais das versões apresentavam melhores resultados. Este processo é conhecido como evolução dirigida e continua a ser uma técnica extremamente útil. A sua principal limitação está no facto de os investigadores normalmente precisarem de uma enzima de partida adequada ou, pelo menos, de uma proteína que já apresente alguma atividade a melhorar. O design de novo segue uma abordagem diferente: começa pela função que se pretende desempenhar e procura desenvolver uma nova proteína capaz de a executar.

A expressão «não encontrada na natureza» exige alguma precisão. Uma enzima artificial pode apresentar uma sequência de aminoácidos inédita, uma estrutura global desconhecida ou uma disposição de grupos químicos que não existe nas proteínas conhecidas. Alguns dos estudos recentes mais importantes reproduzem deliberadamente tipos de reações químicas já conhecidos dentro de estruturas proteicas completamente novas, uma vez que isso permite testar a fiabilidade dos métodos de desenvolvimento. Outras experiências procuram realizar reações que as enzimas naturais raramente conseguem executar ou que nunca foram observadas na natureza. Ambas as abordagens são valiosas, mas respondem a questões diferentes sobre aquilo que a inteligência artificial é realmente capaz de criar.

O que as Redes Neuronais Aprendem sobre a Estrutura das Proteínas

As redes neuronais aprendem padrões a partir de grandes conjuntos de sequências proteicas, estruturas determinadas experimentalmente e observações laboratoriais. O processo de treino permite-lhes reconhecer quais os aminoácidos que provavelmente se ajustam entre si, que estruturas são fisicamente plausíveis e como uma alteração numa determinada região pode afetar outra. Isto não significa que o programa compreenda completamente a química envolvida. Significa, antes, que os cientistas conseguem explorar uma quantidade enorme de possíveis estruturas de forma mais inteligente do que através de testes com combinações aleatórias.

As diferentes ferramentas desempenham funções distintas. O AlphaFold tornou a previsão da estrutura das proteínas muito mais acessível, enquanto o AlphaFold 3, apresentado na revista Nature em 2024, alargou essa capacidade à previsão de interações que envolvem proteínas, pequenas moléculas e outros componentes biológicos. Estas previsões ajudam os investigadores a analisar como uma enzima proposta poderá adquirir a sua estrutura ou acomodar uma molécula envolvida numa reação. No entanto, não constituem uma prova de que a reação química irá realmente acontecer.

As ferramentas de inteligência artificial generativa abordam o problema complementar de criar algo novo. O RFdiffusion, apresentado em 2023, consegue construir estruturas fundamentais de proteínas em torno de uma disposição pretendida de características estruturais ou funcionais, em vez de se limitar a prever a forma de uma sequência já conhecida. Outros modelos, incluindo o ProteinMPNN e ferramentas relacionadas, ajudam a selecionar sequências de aminoácidos que deverão sustentar as estruturas propostas. Os cientistas continuam a decidir quais as reações relevantes, a definir os requisitos químicos e a escolher os projetos que justificam a realização de testes experimentais.

Como a IA Transforma um Objetivo Químico numa Enzima Funcional

O desenvolvimento começa frequentemente com uma transformação química, e não com uma proteína. Os investigadores identificam a ligação química que pretendem quebrar ou formar e analisam de que forma determinados grupos químicos podem facilitar esse processo. O centro ativo de uma enzima precisa de posicionar esses grupos junto da molécula que participa na reação, numa disposição suficientemente precisa para permitir a transformação desejada. Um sistema moderno de inteligência artificial pode ajudar a construir a proteína envolvente para manter os grupos catalíticos nas posições corretas, em vez de procurar um espaço adequado dentro de proteínas existentes.

A etapa seguinte consiste em gerar numerosas estruturas possíveis e propor sequências de aminoácidos para cada uma delas. Os modelos computacionais avaliam então a probabilidade de cada candidata adquirir a estrutura prevista, a capacidade do centro ativo para manter a sua configuração e a existência de espaço suficiente para acomodar a molécula envolvida na reação. Alguns métodos mais recentes analisam diferentes momentos da transformação química, uma vez que uma enzima eficiente precisa de orientar uma sequência de alterações, e não apenas de manter uma estrutura imóvel. Este processo reduz o esforço experimental, mas mesmo os projetos mais promissores continuam a ser hipóteses até serem produzidos e testados.

A validação laboratorial é a etapa decisiva. Normalmente, os cientistas encomendam uma sequência de ADN que codifica a proteína selecionada, utilizam células vivas para a produzir, purificam o material obtido e colocam-no em contacto com a substância pretendida. Depois, medem se o produto esperado é formado, a velocidade da reação e a consistência do desempenho da enzima. Os ensaios de controlo permitem determinar se o resultado é realmente provocado pela proteína desenvolvida ou por uma reação que ocorreria mesmo sem ela. Um resultado positivo demonstra a existência de atividade catalítica, mas são necessários estudos adicionais para confirmar que a enzima é seletiva, resistente e útil fora de condições laboratoriais rigorosamente controladas.

Avanços Laboratoriais que Demonstraram o Potencial da Tecnologia

Um estudo publicado na revista Science em 2025 apresentou novas serina hidrolases desenvolvidas artificialmente, enzimas que quebram determinadas ligações químicas através da ação coordenada de um conjunto de aminoácidos. Os investigadores combinaram o RFdiffusion com outro método baseado em redes neuronais para avaliar se o centro ativo permaneceria funcional durante as várias etapas de uma reação. Os resultados laboratoriais incluíram eficiências catalíticas até 4 300 M⁻¹ s⁻¹, uma medida habitual do desempenho enzimático, e as estruturas proteicas determinadas experimentalmente corresponderam de perto às previsões. Um aspeto particularmente importante foi o facto de as enzimas desenvolvidas apresentarem formas de dobragem diferentes das encontradas nos membros naturais desta família de enzimas.

Outro avanço foi apresentado na revista Nature, num estudo publicado online em dezembro de 2025 e incluído na edição de janeiro de 2026. Os investigadores desenvolveram o Riff-Diff, um método que combina estruturas proteicas geradas por inteligência artificial com um aperfeiçoamento detalhado dos respetivos centros catalíticos. Conseguiram criar enzimas para duas reações distintas: a clivagem retro-aldólica e a reação de Morita–Baylis–Hillman, que permite formar uma ligação entre dois átomos de carbono. As medições estruturais de seis projetos confirmaram também uma correspondência notável com os centros ativos pretendidos, demonstrando que é possível construir mecanismos catalíticos cuidadosamente organizados dentro de novas estruturas proteicas.

Noutro estudo publicado na Nature em 2026, os investigadores utilizaram o RFdiffusion2 para criar enzimas que contêm zinco e ajudam a quebrar ligações químicas com recurso à água. Foram testados experimentalmente 96 projetos iniciais, seguidos de outros 96, tendo sido identificados vários catalisadores ativos. Os melhores projetos da segunda fase alcançaram eficiências catalíticas até 53 000 M⁻¹ s⁻¹, e uma estrutura cristalina determinada experimentalmente apresentou uma correspondência muito próxima com a previsão computacional. Um trabalho relacionado, publicado na Nature Methods, demonstrou que o RFdiffusion2 conseguia acomodar todas as 41 disposições de centros ativos utilizadas num teste computacional de referência, em comparação com apenas 16 alcançadas por uma abordagem anterior.

O que as Enzimas Artificiais Poderão Mudar na Prática

A medicina e a produção de substâncias químicas especializadas estão entre as áreas de maior interesse. Uma substância química pode existir em duas formas que são imagens uma da outra ao espelho, embora apenas uma delas possa ser desejável num medicamento. As enzimas conseguem favorecer a formação de uma determinada forma, reduzindo potencialmente os subprodutos indesejados e as etapas adicionais de purificação. Num estudo publicado na Science em 2025, os cientistas construíram novas proteínas em torno de moléculas que contêm metais e demonstraram a atividade de catalisadores em reações que incluem a ciclopropanação. Quatro dos dez projetos testados apresentaram uma preferência superior a 99:1 por uma das formas do produto em relação à outra.

As aplicações ambientais constituem outro motivo importante para desenvolver catalisadores com novas capacidades. A enzima FAST-PETase, frequentemente mencionada neste contexto, demonstra tanto o potencial da tecnologia como uma distinção essencial: o estudo publicado na Nature em 2022 utilizou aprendizagem automática para melhorar uma enzima existente capaz de degradar plástico, em vez de criar uma proteína completamente nova. Nas experiências laboratoriais, os investigadores observaram uma decomposição quase completa de amostras provenientes de 51 tipos de embalagens PET pós-consumo no prazo de uma semana. Estes resultados demonstraram como a engenharia enzimática assistida por inteligência artificial pode contribuir para a reciclagem, mas não provaram que todos os tipos de plástico possam ser processados à escala industrial.

A produção alimentar, a indústria têxtil e o fabrico de produtos químicos especializados também poderão beneficiar de enzimas adaptadas a determinados materiais e condições de processamento. Em vez de adaptar uma fábrica às limitações de uma proteína natural sensível, os investigadores poderão procurar catalisadores capazes de tolerar as temperaturas, os níveis de acidez ou os solventes necessários. As vantagens práticas dependerão de todo o processo: do custo de produção da proteína, do tempo durante o qual permanece ativa e da possibilidade de ser reutilizada. A comparação relevante não é simplesmente entre inteligência artificial e natureza, mas entre custos, fiabilidade e impacto ambiental ao longo de toda a operação industrial.

O que o Design de Proteínas com IA Ainda Não Consegue Garantir em 2026

A maior dificuldade científica reside no facto de a atividade das enzimas depender do movimento e das reações químicas, e não apenas de uma estrutura aparentemente perfeita. Um centro catalítico pode apresentar exatamente a forma prevista, mas interagir incorretamente com a água, ligar-se com demasiada força à substância pretendida ou não conseguir libertar o produto final. Uma reação pode envolver várias etapas, cada uma das quais exige uma disposição ligeiramente diferente dos átomos. Os métodos recentes de inteligência artificial estão a melhorar a capacidade de considerar estas alterações, mas as enzimas naturais continuam a superar muitas das alternativas artificiais. As medições laboratoriais permanecem indispensáveis para distinguir catalisadores realmente úteis de proteínas que apenas parecem promissoras numa simulação computacional.

Os obstáculos práticos começam mesmo depois de uma reação demonstrar resultados positivos. Algumas proteínas artificiais são difíceis de produzir em quantidades úteis, enquanto outras perdem atividade durante o armazenamento ou quando expostas às condições utilizadas na indústria. Os investigadores precisam de avaliar reações secundárias indesejadas, a possibilidade de reproduzir os resultados, a segurança e os efeitos das substâncias presentes nas misturas utilizadas em processos de produção reais. No caso das aplicações médicas, seriam necessárias provas adicionais sobre a qualidade e a adequação ao uso pretendido. O progresso responsável depende de comunicar as limitações com a mesma clareza com que são apresentados os resultados positivos.

Em 2026, as enzimas desenvolvidas com inteligência artificial já ultrapassaram a fase de simples conceito científico promissor. Os investigadores construíram estruturas proteicas anteriormente desconhecidas, confirmaram experimentalmente as suas formas e demonstraram que conseguem catalisar determinadas reações químicas. O próximo desafio consiste em tornar estes resultados menos excecionais: abranger mais reações, reduzir o número de projetos sem sucesso e desenvolver catalisadores que mantenham a sua eficácia em condições reais exigentes. A mudança mais importante não é a substituição da investigação laboratorial pelos computadores, mas a possibilidade de os cientistas começarem por uma tarefa química específica e construírem uma nova proteína para tentar executá-la.