A Proteome-Wide, Accelerated Deep Learning Framework for Structural Interactome Docking, Polygenic Disease Network Translation and Automated Druggability Assessment

Dentro de cada célula viva, milhares de máquinas minúsculas chamadas proteínas trabalham juntas para manter o corpo em funcionamento. Essas máquinas não operam isoladamente; elas colidem constantemente umas com as outras, travam entre si e formam equipes para realizar tarefas essenciais como construir músculos, combater infecções ou bombear sangue. Os cientistas chamam essas conexões de interações proteína-proteína. Por décadas, pesquisadores tentaram mapear cada uma dessas conexões no corpo humano, criando o que é conhecido como interactoma. Esse mapa é crucial porque, quando as conexões falham, a doença frequentemente surge. No entanto, encontrar essas conexões tem sido incrivelmente difícil. Os métodos tradicionais exigem que os cientistas misturem proteínas em um laboratório e observem se elas se aderem, um processo que é lento, caro e muitas vezes produz resultados enganosos. Além disso, o número de pares possíveis é tão vasto que testá-los todos manualmente é impossível.

Um novo estudo realizado por uma equipe da Partex.AI Technology oferece um caminho diferente. Em vez de esperar que o laboratório lhes diga o que adere, os pesquisadores usaram um poderoso sistema de inteligência artificial para prever como as proteínas se encaixam, essencialmente simulando toda a rede de interação do corpo humano em um computador. Eles focaram especificamente na doença cardíaca, uma das principais causas de morte em todo o mundo, para ver se poderiam encontrar novas maneiras de tratá-la. Ao combinar modelos computacionais avançados de formas de proteínas com um enorme poder de computação, eles foram capazes de escanear milhões de pares potenciais em questão de dias. O resultado é uma lista massiva de novas conexões altamente prováveis entre proteínas que eram anteriormente desconhecidas, muitas das quais parecem estar envolvidas na doença cardiovascular. Este trabalho não apenas preenche um mapa; ele fornece uma nova maneira de encontrar alvos ocultos para medicamentos, transformando uma possibilidade teórica em um guia prático para a futura descoberta de fármacos.

O desafio enfrentado pela equipe foi uma questão de escala. O corpo humano contém aproximadamente 20.000 tipos diferentes de proteínas. Se você tentar parear cada uma delas com todas as outras para ver se podem interagir, acabará com mais de 115 milhões de combinações possíveis. No passado, verificar mesmo uma pequena fração disso teria levado anos de tempo de supercomputador usando métodos físicos tradicionais. Os pesquisadores sabiam que muitos desses pares nunca se encontrariam em uma célula real porque vivem em partes diferentes do corpo, como óleo e água que nunca se misturam. Para resolver isso, eles construíram um pipeline digital que primeiro previu as formas 3D de todas as proteínas humanas usando IA e, depois, usou uma ferramenta especializada de aprendizado profundo chamada EquiDock para simular como elas poderiam se encaixar. Esta ferramenta, rodando em 460 dos processadores gráficos mais poderosos do mundo, conseguia avaliar um par de proteínas em segundos, em vez de horas.

A equipe não parou apenas em simular as formas. Eles aplicaram um conjunto rigoroso de regras biológicas para filtrar o impossível. Eles removeram qualquer par onde as proteínas viviam em vizinhanças celulares diferentes, garantindo que apenas proteínas que pudessem realmente se encontrar em uma célula viva fossem mantidas. Eles também verificaram a estabilidade da conexão, descartando pares que se desfariam imediatamente. Após rodar esses filtros, eles reduziram a busca de 115 milhões de possibilidades para cerca de 3,3 milhões de pares que eram estruturalmente sólidos e biologicamente plausíveis. Quando compararam esta lista com bancos de dados existentes de interações conhecidas, descobriram que seu sistema conseguia recuperar a grande maioria das conexões estabelecidas, provando que o método era preciso. Mais importante ainda, eles descobriram mais de 3,2 milhões de interações que nunca haviam sido registradas antes. Estas não eram palpites aleatórios; eram conexões fisicamente possíveis que simplesmente nunca tinham sido vistas em um laboratório.

Para tornar essas descobertas úteis para o tratamento de doenças, os pesquisadores focaram sua atenção no coração. Eles pegaram sua lista massiva de novas interações e buscaram especificamente por pares envolvendo proteínas ligadas à doença arterial coronariana. Ao cruzar seus resultados com dados genéticos de centenas de milhares de pessoas, identificaram um grupo central de 962 pares de proteínas de alta confiança que representam hipóteses priorizáveis para impulsionar a doença cardíaca. Esses pares formaram uma rede que conectava genes que, por si só, pareciam fracos demais para causar doença, mas que juntos criavam um sinal biológico poderoso. O estudo mostrou que essas novas conexões não eram apenas ruído aleatório; elas se agrupavam em torno de vias biológicas conhecidas relacionadas à produção de energia nas células e à manutenção do tecido muscular, que são centrais para o funcionamento do coração. No entanto, os pesquisadores enfatizam que estas são previsões computacionais e hipóteses que requerem validação experimental futura, já que o estudo atual carece de confirmação direta em laboratório úmido (wet-lab).

A etapa final foi determinar se esses novos alvos poderiam ser tratados com drogas. Muitas proteínas são consideradas "não tratáveis" (undruggable) porque carecem das cavidades profundas onde as moléculas de medicamentos geralmente se prendem. A equipe usou um novo método de triagem chamado PocketVec para escanear as superfícies de seus novos pares de proteínas em busca de quaisquer fendas ocultas que pudessem conter um fármaco. Eles descobriram que muitas dessas proteínas anteriormente ignoradas possuíam, de fato, bolsos adequados. Isso significa que as novas interações que encontraram não são apenas curiosidades biológicas; são pontos de partida potenciais para o desenvolvimento de novos medicamentos. Os pesquisadores até revisaram suas previsões meses depois e descobriram que várias das interações que haviam sinalizado como novas já tinham sido confirmadas por outros cientistas no mundo real, validando a velocidade e a precisão de sua abordagem.

Este trabalho representa uma mudança na forma como os cientistas abordam doenças complexas. Em vez de procurar por uma única peça quebrada, eles agora são capazes de mapear toda a rede de conexões que falha. Ao usar a inteligência artificial para simular o mundo físico das proteínas, a equipe criou um blueprint para encontrar novos tratamentos para a doença cardíaca e potencialmente outras condições. Eles mostraram que, com o poder de computação certo e filtragem inteligente, é possível explorar todo o interactoma humano em poucos dias, transformando uma tarefa que antes parecia impossível em um motor de descoberta rotineiro. A lista de novas interações que eles geraram está agora disponível para que outros cientistas testem em laboratório, oferecendo uma vantagem inicial na busca pela próxima geração de terapias para alguns dos desafios de saúde mais persistentes do mundo.