AlphaFold Database expands to proteome-scale quaternary structures

Imagine o corpo humano (e todos os outros seres vivos) como uma cidade enorme e movimentada. Dentro desta cidade, os trabalhadores são as proteínas. Por muito tempo, os cientistas pensaram nesses trabalhadores como funcionários solitários, cada um fazendo seu trabalho de forma isolada. Nós até construímos uma biblioteca digital gigante, chamada AlphaFold Database, que contém as plantas desses milhões de trabalhadores solitários, mostrando exatamente como eles são em 3D. Mas aqui está o problema: na cidade real, as proteínas raramente trabalham sozinhas. Elas são criaturas sociais que constantemente se unem, apertam as mãos e formam máquinas complexas para realizar tarefas. Esses times são chamados de "complexos". Até agora, nossa biblioteca carecia das plantas desses times. Sabíamos quem eram os trabalhadores, mas não sabíamos como eles seguravam as mãos ou construíam suas máquinas. Isso importa porque, se você quiser consertar uma máquina quebrada ou entender como uma cidade funciona, você precisa ver os trabalhadores juntos, não apenas parados sozinhos.

Agora, uma colaboração massiva entre cientistas do Laboratório Europeu de Biologia Molecular, da Universidade Nacional de Seul, da NVIDIA e do Google DeepMind finalmente abriu as portas para esta parte ausente da biblioteca. Eles não apenas adivinharam; eles usaram supercomputadores para prever as formas 3D de mais de 31 milhões de potenciais times de proteínas. Desses montes de previsões, eles filtraram os palpites instáveis e mantiveram 1,81 milhão de modelos de alta confiança de pares de proteínas trabalhando juntas. Pense nisso como atualizar a biblioteca de uma coleção de retratos individuais para uma vasta galeria de fotos de grupo. Eles descobriram que, embora alguns times pareçam muito semelhantes aos que já vimos sob microscópios, muitos outros são completamente novos, revelando estruturas que eram totalmente invisíveis quando olhávamos apenas para as proteínas isoladas. Este novo recurso está agora disponível gratuitamente para todos explorarem, oferecendo um novo olhar sobre como a maquinaria molecular da vida é realmente montada.

O Grande Salto: De Atos Solitários para Esportes de Equipe

Por anos, o AlphaFold Protein Structure Database (AFDB) foi como um álbum de fotos de atores individuais. Ele nos deu as formas 3D de proteínas únicas com uma precisão incrível, revolucionando nossa compreensão da biologia. Mas a biologia raramente é um ato solo. As proteínas geralmente funcionam agarrando-se a outras proteínas, formando pares ou grupos maiores para realizar tarefas como enviar sinais, construir paredes celulares ou copiar o DNA. O problema era que, embora tivéssemos as fotos dos atores, não tínhamos as fotos dos duetos.

Este novo artigo descreve uma expansão massiva desse banco de dados. A equipe previu as estruturas de 31 milhões de candidatos a pares de proteínas (chamados dímeros) de 4.777 organismos diferentes, variando de bactérias comuns de laboratório a organismos críticos para a saúde global. Eles não jogaram tudo na mistura; usaram um processo de filtragem rigoroso para encontrar as previsões mais confiáveis. Após passar por uma verificação de qualidade, identificaram 1,81 milhão de estruturas de alta confiança. Estes são os modelos de "padrão ouro", onde o computador tem muita certeza de que as duas proteínas estão realmente de mãos dadas da maneira prevista.

Por Que Olhar para Pares Muda Tudo

A parte mais emocionante desta descoberta é que ver as proteínas como um time frequentemente muda a história inteira. Às vezes, uma proteína parece um borrão confuso e irreconhecível quando prevista sozinha, mas quando você a coloca ao lado de sua parceira, ela se encaixa em uma forma perfeita e clara.

Os autores encontraram várias maneiras de isso acontecer:

• O Efeito "Peça de Quebra-Cabeça": Algumas proteínas são como peças de quebra-cabeça que só fazem sentido quando se encaixam. Por exemplo, uma proteína de um bolor limoso (um tipo de micróbio) parecia uma bagunça quebrada e de baixa confiança sozinha. Mas, quando modelada como um par, as duas metades trocaram partes de sua estrutura para completar as formas uma da outra, formando uma máquina perfeita de alta confiança.
• O Efeito "Construtor de Paredes": Algumas proteínas são como tijolos que precisam ser empilhados para formar uma parede. Uma proteína envolvida na limpeza celular (autofagia) parecia um feixe de hélices instável e incerto sozinha. Mas, quando pareada com sua gêmea, elas formaram uma estrutura sólida e coerente que definiu claramente onde a membrana celular deveria estar, algo que o modelo solo não conseguiu decifrar.
• O Efeito "Arquiteto": Mesmo quando uma proteína solo parece boa, adicionar uma parceira pode corrigir como suas diferentes partes estão arranjadas. Uma proteína tinha uma forma confiante, mas a distância entre suas duas seções principais era um palpite. Quando modelada como um par, a parceira atuou como um andaime, travando as duas seções na posição correta.

Em resumo, o artigo mostra que, para muitas proteínas, a forma "real" só existe quando elas estão em um complexo. Você não pode entender o quadro completo olhando para as partes isoladamente.

O Que os Números Nos Dizem

A equipe não apenas fez belas imagens; eles fizeram os cálculos para ver o quão confiáveis são essas previsões. Eles estabeleceram regras estritas para o que conta como um time de "alta confiança". Descobriram que:

• Homodímeros (pares idênticos): Cerca de 9,1% dos pares idênticos previstos passaram no teste de alta confiança. Isso é muito! Sugere que, quando dois da mesma proteína se unem, o computador é muito bom em descobrir como eles se encaixam.
• Heterodímeros (pares diferentes): Apenas cerca de 1,0% dos pares diferentes previstos passaram no teste. Isso é menor, e os autores sugerem que é porque lançaram uma rede ampla para encontrar parceiros potenciais, o que significa que muitos dos pares que testaram podem não interagir de fato na vida real.
• Times Ancestrais: Quando agruparam essas estruturas por similaridade, descobriram que o 1% das estruturas mais comuns representava cerca de 44% de todos os complexos de alta confiança. Ainda mais fascinante, cerca de 8,3% dessas estruturas comuns foram encontradas em ramos completamente diferentes da vida (como bactérias, plantas e animais). Isso sugere que alguns desses times de proteínas são ancestrais, tendo sido mantidos pela evolução durante bilhões de anos porque funcionam muito bem.

Além do Mundo Conhecido

Uma das maiores conclusões é o quanto deste novo mundo é novo. Quando compararam seus 1,81 milhão de modelos de alta confiança com a biblioteca existente de estruturas determinadas experimentalmente (PDB), descobriram que 31,3% das previsões individuais não correspondiam a nada que já tivéssemos visto sob um microscópio. No nível de grupos (clusters), 63,6% das estruturas únicas não tinham correspondência experimental conhecida.

Isso significa que o banco de dados não está apenas preenchendo lacunas; está descobrindo territórios inteiramente novos. Embora muitas dessas previsões estejam ancoradas no que já conhecemos (dando confiança aos cientistas para usá-las), uma grande parte se estende para territórios inexplorados, oferecendo hipóteses para estruturas que os experimentalistas ainda não encontraram.

A Conclusão

Este artigo é um passo gigantesco à frente, transformando o AlphaFold Database de uma coleção de retratos individuais em uma galeria dinâmica de trabalho em equipe molecular. Ao fornecer 1,81 milhão de modelos de alta confiança de pares de proteínas, os autores deram aos biólogos uma nova ferramenta para gerar hipóteses sobre como as proteínas interagem, como as doenças podem interromper esses times e como projetar novos medicamentos. Eles não estão alegando ter resolvido todas as interações proteicas do universo, mas forneceram uma estrutura escalável e confiável que preenche a lacuna entre o que sabemos e o que precisamos descobrir. A biblioteca está aberta, e as fotos de grupo estão prontas para serem exploradas.