DynaPPI: A Large-scale Dynamic Protein Dataset for AI-driven Advances in Protein Interactomics

Imagine o corpo humano como uma cidade movimentada feita de minúsculos tijolos de LEGO invisíveis chamados proteínas. Alguns desses tijolos trabalham sozinhos, mas a maioria é como equipes especializadas que devem se encaixar para construir máquinas, enviar sinais ou combater invasores. Durante décadas, os cientistas foram ótimos em tirar fotos dessas equipes quando elas já estão construídas e travadas umas nas outras. É como ter a foto de um castelo de LEGO terminado, mas sem ter ideia de como as peças realmente voaram pelo ar, colidiram e se encaixaram. Isso é um grande problema porque o "como" importa tanto quanto o "o quê". Se você quiser construir um novo medicamento para deter um vírus, precisa saber como as proteínas do vírus encontram seus alvos, não apenas como elas parecem quando estão presas umas às outras.

Recentemente, os computadores tornaram-se muito bons em adivinhar como essas equipes de proteínas se parecem usando um tipo de inteligência artificial chamada "modelos de difusão". Pense nesses modelos como um artista mágico que pode pegar um esboço borrado e bagunçado e transformá-lo em uma imagem nítida e perfeita. Mas aqui está o detalhe: esses artistas foram treinados apenas em instantâneos estáticos ou em tijolos individuais se movendo sozinhos. Eles não sabem como pintar o filme de duas equipes separadas correndo uma em direção à outra, dançando ao redor e finalmente se abraçando para se tornarem uma única máquina complexa. Sem esse "filme", a IA não consegue prever como novas e desconhecidas equipes se formarão, o que deixa uma enorme lacuna em nossa capacidade de projetar novos medicamentos ou compreender a vida em seu nível mais fundamental.

Entra o DynaPPI, um novo e massivo conjunto de dados projetado para ensinar a IA a observar e prever essas danças proteicas. Os pesquisadores por trás deste projeto perceberam que, para corrigir o ponto cego da IA, precisavam criar uma biblioteca de "filmes" mostrando exatamente como as cadeias de proteínas se movem de estarem afastadas para estarem fortemente ligadas. Em vez de apenas olhar para o aperto de mão final, eles simularam toda a jornada. Eles pegaram equipes de proteínas conhecidas, separaram-nas e então usaram simulações de computador poderosas para observá-las derivar, colidir e se remontar ao longo do tempo.

A equipe criou um conjunto de dados contendo cerca de 10.000 desses complexos proteicos, cobrindo diferentes tipos de parcerias, como proteína-proteína, proteína-ligante (uma proteína encontrando uma pequena molécula de droga) e proteína-ácido nucleico (uma proteína encontrando DNA ou RNA). Para garantir que as simulações fossem realistas, eles não apenas adivinharam; eles realizaram milhares de experimentos detalhados de computador. Cada experimento rastreou o movimento de átomos ao longo de períodos de tempo variando de 10 nanossegundos a 1 milissegundo. Embora isso pareça curto, no mundo dos átomos, é uma eternidade — tempo suficiente para vê-los balançar, girar e se encontrarem. O conjunto de dados inclui mais de 100 bilhões de quadros de dados, capturando cada minúscula mudança de posição, velocidade e energia.

O que torna o DynaPPI especial é que ele ensina explicitamente à IA o processo de ligação. No passado, os modelos de IA eram como alunos que estudavam apenas as respostas finais do exame. Agora, com o DynaPPI, eles podem estudar o passo a passo do dever de casa. O conjunto de dados mostra à IA como as proteínas se comportam quando estão longe, como mudam de forma quando se aproximam e o que o "meio do caminho" parece antes de se travarem. Os pesquisadores simularam esses eventos pegando estruturas conhecidas, separando as cadeias e depois soltando-as em um oceano virtual de água e sal para ver se elas se encontrariam novamente. Eles realizaram essas simulações várias vezes (réplicas) para garantir que capturassem a aleatoriedade da natureza, assim como jogar dados muitas vezes para ver todos os resultados possíveis.

O artigo sugere que, ao alimentar esses dados dinâmicos em modelos de difusão, a IA pode aprender a prever não apenas a forma final de um complexo proteico, mas todo o caminho que ele percorre para chegar lá. Isso pode ser um divisor de águas para o design de fármacos. Imagine ser capaz de simular como uma nova molécula de medicamento irá caçar uma proteína causadora de doenças, detectando bolsos temporários que se abrem apenas durante a dança, em vez de apenas olhar para a porta fechada. Os autores propõem que isso pode ajudar cientistas a projetar melhores medicamentos, engenhar novas máquinas biológicas e até mesmo se preparar para futuras pandemias, compreendendo como os vírus podem interagir com as células humanas.

No entanto, é importante notar que isso é uma proposta e a construção de um recurso, não um produto acabado que já tenha resolvido todos os mistérios. O artigo descreve um plano para construir este conjunto de dados, detalhando como selecionarão as proteínas, como limparão os dados e como realizarão as simulações. Eles estabeleceram metas específicas, como garantir que os dados cubram uma ampla variedade de tipos de proteínas e que as simulações sejam precisas o suficiente para corresponder a experimentos do mundo real. Eles também reconhecem que, embora possam simular esses processos, o verdadeiro teste será quando outros cientistas usarem esses dados para treinar seus próprios modelos de IA e ver se esses modelos conseguem prever estruturas que não foram vistas anteriormente. O conjunto de dados foi projetado para ser aberto e acessível, permitindo que a comunidade científica global construa sobre essa base e amplie os limites do que a IA pode fazer na biologia.