Neopep: Reinforcement Learning From Machine-Learned Force Field Energy for Non-Canonical Peptide Structure Prediction

No mundo da medicina, a natureza oferece duas ferramentas primordiais para combater doenças: pequenas moléculas químicas e proteínas grandes e complexas. Os peptídeos situam-se confortavelmente no meio, atuando como uma ponte entre esses dois extremos. Eles são longos o suficiente para serem altamente específicos em como se encaixam nos alvos de doenças, mas curtos o suficiente para serem estáveis e relativamente baratos de fabricar. Durante décadas, cientistas tentaram projetar novos fármacos peptídicos usando um conjunto padrão de vinte blocos de construção, conhecidos como aminoácidos. No entanto, a natureza e os químicos sintéticos têm acesso a milhares de outros blocos de construção incomuns que não se encaixam nesse conjunto padrão. Esses aminoácidos "não canônicos" podem conferir aos fármacos melhor estabilidade ou permitir que sobrevivam por mais tempo dentro do corpo. O problema é que, embora saibamos que esses ingredientes especiais existem, temos muito poucos dados sobre como eles se dobram em formas tridimensionais. Sem conhecer a forma, não podemos projetar um fármaco que se ajuste ao seu alvo, deixando um vasto cenário químico inexplorado.

Uma equipe de pesquisadores da Universidade de Toronto desenvolveu uma nova abordagem para resolver este enigma, criando um sistema chamado Neopep, que pode prever as formas dessas cadeias peptídicas incomuns. O desafio central enfrentado foi a falta de dados de treinamento. A principal biblioteca que os cientistas usam para aprender como as proteínas se dobram contém milhões de estruturas, mas menos de um em cinco mil dos blocos de construção nessa biblioteca são do tipo especial e não padrão. Como os modelos computacionais foram treinados quase inteiramente nos vinte aminoácidos padrão, eles tiveram dificuldades quando solicitados a prever a forma de uma cadeia contendo os tipos raros. Para contornar essa escassez de dados, os pesquisadores pararam de tentar memorizar cada forma possível e, em vez disso, ensinaram seu modelo a seguir as leis da física. Eles perceberam que, na natureza, as moléculas naturalmente se estabelecem no arranjo mais estável e de menor energia, tal como uma bola pesada rolando para o fundo de um vale. Ao ensinar o modelo a buscar esses estados de baixa energia, eles puderam guiá-lo para a forma correta mesmo sem um exemplo perfeito para copiar.

Os pesquisadores construíram seu sistema em duas etapas distintas. Primeiro, treinaram um modelo de aprendizagem profunda em uma vasta biblioteca de estruturas proteicas padrão para dar a ele um senso geral de como as cadeias costumam se dobrar. Isso forneceu uma base sólida, ou um "prior estrutural", para que o modelo entendesse as regras básicas do jogo. Na segunda etapa, introduziram um poderoso motor de física conhecido como campo de força aprendido por máquina. Pense neste motor como uma calculadora altamente precisa que pode dizer instantaneamente quanta energia um arranjo específico de átomos possui, independentemente de esses átomos serem padrão ou exóticos. Os pesquisadores então utilizaram uma técnica chamada aprendizagem por reforço, onde o modelo teve permissão para propor muitas formas diferentes para uma cadeia peptídica. O motor de física pontuou cada proposta, e o modelo foi recompensado por encontrar arranjos com menor energia. Com o tempo, o modelo aprendeu a ignorar formas que eram fisicamente instáveis e a focar naquelas que eram energeticamente favoráveis, efetivamente ensinando a si mesmo como dobrar os blocos de construção raros corretamente.

Os resultados desta abordagem foram impressionantes. Quando testado em um conjunto de trinta e quatro cadeias peptídicas contendo aminoácidos não padrão, o novo modelo produziu estruturas que estavam significativamente mais próximas das formas reais observadas experimentalmente do que os métodos anteriores. Enquanto os modelos antigos tinham dificuldade em acertar a forma, frequentemente resultando em estruturas muito distantes do real, o novo sistema reduziu o erro médio por uma marga considerável. Em muitos casos, o modelo encontrou uma forma que era quase idêntica à verdade fundamental, com um erro de menos de dois angstroms, uma unidade de medida usada para distâncias atômicas. Crucialmente, esse aprimoramento não ocorreu às custas da precisão para peptídeos padrão; o modelo permaneceu tão bom quanto antes em prever as formas de cadeias comuns. Os pesquisadores também observaram que o modelo foi capaz de gerar uma coleção diversa de formas de baixa energia, sugerindo que havia aprendido os princípios físicos subjacentes, em vez de apenas memorizar uma única resposta.

Um dos aspectos mais instigantes deste trabalho é como ele lida com o "desconhecido". O modelo foi treinado em um conjunto específico de 189 aminoácidos não padrão, mas, como opera olhando para átomos individuais e suas interações, em vez de tratar cada aminoácido como um único símbolo rígido, é teoricamente capaz de lidar com qualquer estrutura química. Isso representa uma mudança significativa em relação aos métodos anteriores, que exigiam que o modelo fosse retreinado ou modificado toda vez que um novo tipo de bloco de construção era introduzido. Ao confiar na linguagem universal da energia física, o sistema pode generalizar para químicas novas que nunca viu antes, desde que o motor de física consiga calcular sua energia. Isso abre as portas para o design de fármacos com propriedades inteiramente novas, utilizando ingredientes que anteriormente eram difíceis de modelar.

O estudo também incluiu uma verificação cuidadosa para garantir que o modelo não estivesse apenas adivinhando. Os pesquisadores compararam a energia das formas que o modelo previu contra a energia das estruturas reais. Eles descobriram que o modelo consistentemente produzia formas que eram tão estáveis, ou até ligeiramente mais estáveis, do que as reais. Isso confirmou que o modelo estava, de fato, seguindo as regras físicas que lhe foram ensinadas. Em comparações visuais, a diferença era clara: as estruturas geradas pelo modelo antigo, pré-treinado, frequentemente pareciam quebradas ou desconectadas, como se os átomos estivessem flutuando nos lugares errados. Após o ajuste fino baseado em energia, os átomos se encaixavam, formando ligações contínuas e quimicamente sensatas. Essa capacidade de "corrigir" estruturas quebradas sugere que o modelo aprendeu uma compreensão profunda de como os átomos desejam se conectar.

Em última análise, esta pesquisa oferece um novo caminho para a descoberta de fármacos. Ela demonstra que, quando os dados são escassos, podemos nos apoiar nas leis fundamentais da física para preencher as lacunas. Ao combinar o poder de reconhecimento de padrões da inteligência artificial moderna com a precisão rigorosa da física aprendida por máquina, os pesquisadores criaram uma ferramenta que pode navegar no vasto e complexo mundo dos aminoácidos não padrão. Essa capacidade significa que os cientistas agora podem explorar uma gama muito mais ampla de possibilidades químicas para criar novos medicamentos, potencialmente levando a terapias que sejam mais eficazes, mais duradouras e capazes de atingir doenças que antes estavam fora de alcance. O trabalho não afirma ter resolvido todos os problemas do design de proteínas, mas fornece um método robusto e generalizável para enfrentar um dos gargalos mais persistentes do campo.