AlphaConformers: Structure-guided sampling enables prediction of multiple protein conformations

As proteínas são os cavalos de batalha da vida, máquinas minúsculas que constroem células, combatem infecções e realizam as reações químicas que nos mantêm vivos. Por muito tempo, os cientistas visualizaram essas moléculas como objetos estáticos, como estátuas rígidas com uma forma única e imutável. Hoje sabemos que essa visão é incompleta. As proteínas são dinâmicas; elas respiram, flexionam e mudam suas formas para realizar diferentes tarefas. Uma proteína pode parecer de um jeito quando está ociosa e de um jeito completamente diferente quando está ativa ou ligada a uma droga. Compreender essas mudanças é crucial porque a forma de uma proteína determina sua função. Se um cientista deseja projetar um medicamento para deter uma doença, ele precisa saber exatamente qual forma a proteína alvo assume quando está trabalhando, não apenas a forma que ela mantém quando está em repouso.

Até recentemente, um poderoso programa de computador chamado AlphaFold2 mudou o jogo ao prever as formas das proteínas com uma precisão incrível. No entanto, este programa possui um ponto cego: ele tende a produzir apenas uma versão de uma proteína, geralmente a forma mais estável ou comum. Ele frequentemente perde as formas alternativas que uma proteína pode adotar, particularmente aquelas que aparecem quando a proteína interage com outras moléculas. Essa limitação deixa os pesquisadores com uma imagem incompleta, incapazes de ver toda a gama de movimentos que define como essas máquinas biológicas realmente funcionam.

Para resolver isso, uma equipe de pesquisadores desenvolveu uma nova abordagem chamada AlphaConformers. Em vez de pedir ao computador para adivinhar uma forma do zero, este novo método guia o programa usando exemplos do mundo real encontrados na natureza. A ideia central é simples, porém poderosa: se uma proteína já mudou sua forma antes, é provável que outras proteínas similares tenham feito o mesmo. Os pesquisadores construíram um sistema que busca em vastos bancos de dados de estruturas proteicas conhecidas para encontrar esses parentes semelhantes. Uma vez encontrados, essas estruturas relacionadas são alinhadas e organizadas em grupos que representam diferentes formas possíveis. Esses grupos são então inseridos no programa de predição como dicas específicas, ou hipóteses, sobre como a proteína alvo pode parecer em diferentes estados.

O sistema então executa o programa de predição múltiplas vezes, cada vez direcionando-o para uma dessas formas alternativas sugeridas pelo banco de dados. O resultado é uma coleção de modelos diferentes para a mesma proteína, em vez de apenas uma resposta única. Os pesquisadores então classificam esses modelos, agrupando os semelhantes e filtrando as opções menos prováveis. Esse processo permite que eles vejam um espectro de formas, revelando os movimentos sutis que uma proteína faz ao alternar entre seu estado de repouso e seu estado ativo, ligado a um ligante.

A equipe testou este método em um conjunto cuidadosamente selecionado de 88 proteínas para as quais os cientistas já conheciam tanto a forma de repouso quanto a forma assumida quando ligada a uma molécula. Nesses testes, o programa de predição padrão frequentemente falhava em encontrar a forma alternativa, prendendo-se, em vez disso, à forma única e mais comum. O AlphaConformers, no entanto, expandiu o sucesso da busca e recuperou esses estados ausentes. Ele teve um desempenho superior a outros métodos avançados atualmente disponíveis, ocupando o primeiro lugar em sua capacidade de modelar as mudanças pequenas e delicadas que ocorrem entre os dois estados.

Essas descobertas demonstram que a informação estrutural já armazenada nos bancos de dados científicos pode ser usada para guiar ferramentas poderosas de predição em direção a uma compreensão mais completa do comportamento das proteínas. Ao aproveitar o conhecimento coletivo de como proteínas semelhantes se movem, os pesquisadores mostraram que é possível guiar um computador para enxergar a gama completa da vida de uma proteína, não apenas um único momento congelado. Isso não significa que o problema de prever todas as formas possíveis de uma proteína esteja resolvido, mas prova que o caminho a seguir reside no uso da rica história de estruturas conhecidas para informar a predição do desconhecido.