Cientistas geram 10 milhões de dados em três dias e aceleram IA na engenharia de proteínas

Pesquisadores da Universidade Rice, em colaboração com a Johns Hopkins University e a Microsoft, desenvolveram uma técnica capaz de gerar mais de 10 milhões de pontos de dados experimentais em apenas três dias, acelerando o treinamento de modelos de inteligência artificial para a engenharia de proteínas.

O método, batizado de Sequence Display, resolve o gargalo da escassez de dados experimentais de alta qualidade necessários para o aprendizado de máquina. O estudo foi publicado na revista Nature Biotechnology e detalhado pelo portal Phys.org.

Cada proteína é formada por cadeias de aminoácidos, e pequenas mudanças nessas cadeias podem modificar profundamente suas funções biológicas. Uma proteína com apenas 50 aminoácidos pode gerar 1,13 x 10^65 variações possíveis, o que torna inviável o teste de todas as combinações em laboratório.

Han Xiao, professor de química, biociências e bioengenharia e diretor do centro SynthX da Rice, afirmou que o desafio central não era criar os modelos de IA, mas sim produzir dados suficientes para treiná-los. A equipe desenvolveu um sistema de codificação por barras de DNA que registra a atividade de cada variante de proteína.

O processo começa com a mutação do DNA que codifica uma versão reduzida da enzima CRISPR-Cas. Cada variante recebe um código de barras genético, alterado conforme o nível de atividade demonstrado pela proteína.

Quanto mais ativa a proteína, maior a modificação registrada no código de barras. Essa informação é lida por sequenciamento de nova geração, gerando um extenso banco de dados de desempenho molecular.

Os modelos de IA utilizam esses dados para prever quais mutações produzem as variações mais eficazes. Linqi Cheng, estudante de pós-graduação e primeiro autor do estudo, destacou que o modelo previu mutações que aumentaram de forma significativa a eficiência da proteína analisada.

A mesma estratégia foi aplicada com sucesso a outras enzimas, como as aminoacil-tRNA sintetases e a citosina desaminase. Han Xiao ressaltou que o Sequence Display integra a experimentação biológica com o poder computacional da IA.

Em vez de substituir os testes de laboratório, a inteligência artificial depende deles para gerar previsões mais precisas e rápidas. Essa sinergia abre caminho para o desenvolvimento de proteínas terapêuticas e ferramentas de edição genética mais potentes.

O avanço reduz drasticamente o tempo e o custo de descoberta de proteínas com aplicações médicas, industriais e ambientais. A capacidade de gerar milhões de dados em poucos dias transforma a forma como a ciência realiza o design molecular.