🧬 biology

Shetti-AI: Precise prediction of protein sequence mutational landscapes to accelerate functional assays

O Shetti-AI é uma estrutura computacional que integra propriedades físico-químicas, distâncias genéticas e redes adversárias generativas para prever paisagens mutacionais de proteínas e gerar variantes otimizadas do tipo motivo, acelerando assim ensaios funcionais e reduzindo os espaços de busca experimental na biologia sintética e na virologia.

Autores originais: Haitham Sobhy

Publicado 2026-09-10

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Haitham Sobhy

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

As proteínas são as máquinas de trabalho da vida, pequenas máquinas construídas a partir de cadeias de aminoácidos que se dobram em formas complexas para realizar tarefas específicas. Dentro dessas longas cadeias, sequências curtas de apenas alguns aminoácidos frequentemente atuam como interruptores ou pontos de ancoragem críticos, conhecidos como motivos. Essas pequenas regiões ditam como uma proteína interage com outras moléculas, e uma única mudança em uma dessas letras pode alterar todo o comportamento da proteína. Os cientistas sabem há muito tempo que, para entender uma proteína, devem entender esses motivos. No entanto, testar todas as variações possíveis dessas sequências curtas em um laboratório é uma tarefa lenta, cara e muitas vezes impossível. O espaço de mudanças potenciais é simplesmente vasto demais para ser explorado manualmente, deixando os pesquisadores na posição de adivinhar quais variações podem funcionar e quais falharão.

Para resolver isso, um pesquisador chamado Haitham Sobhy desenvolveu uma nova ferramenta computacional chamada Shetti-AI. Este sistema foi projetado para prever quais mudanças nos motivos curtos de uma proteína têm probabilidade de serem bem-sucedidas antes mesmo de um cientista entrar no laboratório. Em vez de confiar apenas em como a natureza evoluiu as proteínas no passado, o Shetti-AI olha para o futuro, simulando como uma proteína pode mudar no futuro. Ele começa com um motivo conhecido e funcional e gera uma lista de novos candidatos semelhantes. O sistema faz isso equilibrando dois fatores principais: o quão fácil é para o código genético de uma célula realizar a mudança e o quão bem os novos aminoácidos preservam as propriedades físicas necessárias para o funcionamento da proteína. Ao filtrar opções improváveis e destacar as mais promissoras, a ferramenta visa reduzir o enorme espaço de busca para uma lista gerenciável de experimentos.

O artigo destaca um problema específico com as ferramentas atuais de inteligência artificial usadas na biologia. Muitos programas modernos, frequentemente chamados de modelos de linguagem de proteínas, são excelentes em detectar padrões gerais em vastas quantidades de dados genéticos. No entanto, eles têm dificuldade com os detalhes finos desses motivos curtos. Por exemplo, essas ferramentas podem tratar duas sequências muito diferentes como quase idênticas porque parecem semelhantes em uma escala ampla, mesmo que uma pequena mudança em uma delas quebrasse a capacidade da proteína de se ligar ao seu alvo. O autor aponta que essas ferramentas existentes frequentemente ignoram as sutilezas das diferenças físicas entre os aminoácidos, como trocar uma partícula carregada por uma neutra, o que pode destruir completamente a função de uma proteína. O Shetti-AI foi construído especificamente para corrigir esse ponto cego, focando nas regras físicas e genéticas precisas que governam essas pequenas regiões críticas.

A estrutura opera primeiro pegando um motivo validado, uma sequência curta conhecida por funcionar na natureza, e mapeando suas propriedades em um perfil numérico detalhado. Esse perfil considera dezoito características físicas diferentes dos aminoácidos, como tamanho, carga e como eles interagem com a água. O sistema então utiliza uma série de modelos matemáticos para gerar novas variações. Uma parte do sistema atua como um filtro conservador, verificando se uma única mudança é geneticamente acessível e fisicamente semelhante à original. Outra parte utiliza uma abordagem generativa mais avançada para imaginar combinações inteiramente novas de aminoácidos que podem ainda não existir na natureza, mas que ainda seguem as regras da física. Esses candidatos gerados são então classificados com base em uma pontuação que pesa a probabilidade de funcionarem contra a dificuldade de criá-los geneticamente.

Nos testes do sistema, os pesquisadores usaram um motivo conhecido envolvido na regulação de proteínas humanas como um padrão de referência. A ferramenta identificou com sucesso variações que são conhecidas por funcionar na natureza, como sequências que diferem por apenas uma ou duas letras, mas mantêm a mesma forma e comportamento. Mais importante ainda, a parte generativa do sistema sugeriu sequências novas e inéditas que compartilham as mesmas propriedades físicas do original. Quando comparado a uma sequência de controle que era conhecida por ser diferente, a ferramenta identificou corretamente que os novos candidatos eram muito mais próximos do original funcional. Os resultados mostraram que, enquanto alguns modelos eram melhores em encontrar mudanças pequenas e seguras, outros eram capazes de explorar possibilidades mais distantes, oferecendo uma gama de opções dependendo do que o pesquisador precisava.

O artigo sugere que esta abordagem pode ser particularmente útil para estudar vírus emergentes, onde os cientistas costumam ter muito pouco tempo para testar novas variantes. Ao usar um motivo conhecido de um vírus relacionado como ponto de partida, a ferramenta poderia gerar rapidamente uma lista de candidatos prováveis para testar no laboratório, acelerando o processo de descoberta. Também oferece uma maneira de projetar proteínas customizadas para a biologia sintética, permitindo que pesquisadores criem novas ferramentas com propriedades físicas específicas sem terem que sintetizar milhares de versões falhas. O autor observa que o sistema é flexível; os pesquisadores podem ajustar as configurações para serem muito rigorosos, procurando apenas por mudanças que sejam quase idênticas ao original, ou mais exploratórios, buscando designs mais ousados.

Em última análise, o Shetti-AI não substitui a necessidade de experimentos laboratoriais, mas altera a ordem em que eles acontecem. Em vez de testar palpites aleatórios, os cientistas podem usar a ferramenta para priorizar os candidatos mais promissores, economizando tempo e recursos. O sistema preenche a lacuna entre as regras rígidas da genética e as possibilidades fluidas do design de proteínas, oferecendo uma maneira de navegar pelo vasto cenário de mutações potenciais com confiança. Ao focar na realidade física de como as proteínas funcionam, em vez de apenas padrões estatísticos, a ferramenta oferece um caminho mais claro para entender como a vida se adapta e como podemos engenhá-la para o futuro.

Resumo Técnico: Shetti-AI

Definição do Problema
Os motivos proteicos são críticos para ditar interações moleculares, organização estrutural e função. Enquanto patógenos frequentemente alteram motivos curtos para adquirir novas dinâmicas de hospedeiro sem alterar estruturas proteicas inteiras, a triagem experimental do vasto espaço de variantes de sequência é lenta, cara e exige muitos recursos. As ferramentas atuais de aprendizado de máquina, particularmente os modelos de linguagem de proteínas (pLLMs) como ProtT5, ProtBERT e ESM-2, dependem fortemente da conservação evolutiva histórica. O artigo argumenta que essas ferramentas falham na previsão precisa de nível de motivo porque não conseguem modelar a acessibilidade de mutação de DNA em nível de códon, avaliar restrições biofísicas específicas de posição ou distinguir entre variantes funcionalmente distintas (por exemplo, falhando em reconhecer que substituir uma Arginina carregada por uma Leucina não polar em um motivo RGD interrompe a ligação à integrina). Consequentemente, há uma necessidade de um framework que vá além da conservação retrospectiva para prever prospectivamente paisagens mutacionais viáveis.

Metodologia
O Shetti-AI é um framework computacional projetado para gerar e priorizar variantes do tipo motivo partindo de referências biológicas curadas e experimentalmente validadas. O framework integra três arquiteturas distintas que operam sobre uma matriz de propriedades físico-químicas de 18 dimensões ( $P_{phys}$ ) e uma matriz de acessibilidade de substituição de códon ( $P_{genetic}$ ):

Mapeamento Físico-Químico de 18 Dimensões: Os aminoácidos são mapeados para vetores numéricos contínuos que combinam propriedades biofísicas quantitativas normalizadas e atributos qualitativos codificados ordinalmente. Isso facilita o aprendizado baseado em gradiente e a amostragem generativa.
Acessibilidade de Substituição Consciente de Códon: Uma matriz 20x20 codifica a distância genética baseada em passos mínimos de substituição de códon, atribuindo pesos à acessibilidade (por exemplo, mutações de 1 passo são ponderadas mais fortemente do que mutações de 3 passos). Isso permite ajustes específicos de táxon sem alterar o mecanismo de inferência.
Arquitetura de Três Partes:
- Arquitetura 1 (Baseline $\lambda$ -Linear Convexa): Um modelo leve, não generativo, que avalia mutações pontuais através de uma combinação convexa de acessibilidade genética e conservação biofísica ( $P_{final} = \lambda P_{DNA} + (1-\lambda)P_{phys}$ ). Serve como um baseline para trade-offs de variável única.
- Arquitetura 2 (Híbrido Bayesiano de Espaço Logarítmico): Um modelo determinístico que classifica substituições de resíduos únicos usando uma probabilidade posterior bayesiana empírica. Combina acessibilidade de códon normalizada com escores de similaridade biofísica em espaço logarítmico para evitar o underflow numérico enquanto preserva a classificação de candidatos.
- Arquitetura 3 (Motor Generativo GAN/WGAN-GP): Um modelo generativo profundo contínuo (Conditional GAN e WGAN-GP) que expande o espaço de busca além das variantes de resíduo único. Ele gera novos motivos candidatos a partir de uma referência usando representações físico-químicas e ruído latente. Crucialmente, esses candidatos são pós-filtrados e classificados usando a restrição bayesiana separada para garantir plausibilidade biológica e alcançabilidade de mutação.

Principais Contribuições

Previsão Prospectiva: Ao contrário das ferramentas que dependem da conservação histórica, o Shetti-AI prevê futuros destinos de variantes e paisagens mutacionais antes que eles apareçam na natureza ou no laboratório.
Sistema de Restrição Híbrido: O framework combina unicamente um prior genético bayesiano com uma verossimilhança físico-química de 18 dimensões, utilizando ponderação $\lambda$ controlada pelo usuário e integração de perda WGAN-GP.
Design Modular: A separação da restrição bayesiana das redes neurais permite que as suposições biológicas sejam inspecionadas, modificadas ou substituídas independentemente do motor generativo.
Implementação Open Source: O código fonte está disponível sob a licença AGPL-3.0, implementado em Python usando PyTorch para os componentes de aprendizado profundo.

Resultos
Usando o motivo M-R-EL (uma assinatura autorreguladora de tubulina) como benchmark, o framework demonstrou o seguinte:

Previsão Conservadora: Os modelos Bayesiano e a baseline $\lambda$ previram com sucesso variantes estreitamente relacionadas, como MREI e MRDL, que são sequências canônicas para o motivo.
Descoberta Generativa: Os componentes de GenAI (GAN e WGAN) exploraram e geraram novos motivos intimamente relacionados aos caracteres físico-químicos da referência MREL.
Diferenciação: Quando comparado ao controle TREL (encontrado no SARS-CoV), o framework identificou corretamente que a Treonina no TREL possui caracteres físico-químicos diferentes, enquanto as variantes geradas permaneceram similares à referência MREL.
Desempenho do Modelo: O WGAN geralmente superou o GAN padrão, embora ambos tenham previsto o motivo LKDM com pontuações bayesianas semelhantes.
Ajuste de Parâmetros: O estudo mostrou que o ajuste de parâmetros (temperatura, $\beta$ e $\lambda$ ) permite que o framework transite entre a conservação biofísica estrita (útil para varredura viral) e a geração exploratória ampla (útil para biologia sintética).

Significância e Alegações
O artigo afirma que o Shetti-AI transforma a otimização de sequências de um "jogo de adivinhação exaustivo" em um pipeline direcionado e biologicamente fundamentado. Ao unir restrições estatísticas determinísticas com aprendizado profundo generativo contínuo, o framework reduz o espaço de busca experimental para biologia sintética, proteínas virais emergentes e ensaios funcionais.

O autor enfatiza que o Shetti-AI não apenas gera construtos teóricos, mas produz ferramentas práticas e experimentalmente tratáveis ao impor alcançabilidade genética e restrições biofísicas. O framework é posicionado como uma solução de alto rendimento e baixo custo para acelerar ensaios funcionais, particularmente para:

Biologia Sintética: Projetar motivos funcionais customizados com propriedades físicas previsíveis.
Terapêutica: Auxiliar em terapia gênica (vetores AAV), neutralização imune e engenharia de CAR-T.
Virologia: Varredura rápida de sequências virais emergentes (ex: SARS-CoV-2) para regiões do tipo motivo quando os dados experimentais são limitados.

O artigo conclui que, ao estreitar o vasto espaço de sequências para um pool de candidatos priorizado e biologicamente fundamentado, o Shetti-AI reduz o tempo e os recursos necessários para validação experimental, ao mesmo tempo em que fornece insights sobre adaptação evolutiva e novas interações funcionais.

Mais como este