AlphaProtein da Google DeepMind concebe enzimas de novo para novas reações

GOOGL+2,34%

Principais conclusões

  • A Google DeepMind apresentou o AlphaProtein Novo, um pipeline de aprendizagem automática para a conceção de enzimas de novo, num preprint publicado no bioRxiv esta semana.
  • O AlphaProtein Novo testou 5 600 designs em cinco reações, alcançando taxas de sucesso de até 80% e demonstrando um desempenho superior ao da mineração de sequências naturais.
  • O código e os pesos foram disponibilizados para utilização não comercial, permitindo que o design generativo de proteínas se torne um complemento prático à mineração da biodiversidade natural.

A Google DeepMind apresentou o AlphaProtein Novo (AP Novo), uma pipeline de aprendizagem automática para o design de enzimas de novo, num preprint publicado esta semana na bioRxiv. Desenvolvido em conjunto com a Caltech e a University of Pittsburgh, o sistema concebe enzimas a partir de princípios fundamentais, em vez de otimizar proteínas existentes, abordando um obstáculo de longa data na descoberta de biocatalisadores. Segundo o preprint publicado esta semana na bioRxiv, o AlphaProtein Novo demonstra, pela primeira vez, que enzimas concebidas computacionalmente podem superar a mineração de sequências naturais em reações químicas desafiantes. A equipa testou mais de 5 600 designs em cinco reações e registou taxas de sucesso de até 80% nas melhores abordagens de design, bem como eficiências catalíticas de vanguarda em reações de referência, sem otimização experimental iterativa.

O AlphaProtein Novo funciona através de estruturas de suporte para motivos e modelos de difusão

A pipeline funciona através da construção de estruturas de suporte para motivos: um modelo de difusão gera conjuntamente estruturas de proteínas e sequências de aminoácidos em torno de um motivo catalítico — a disposição das cadeias laterais e dos ligandos necessária para um mecanismo de reação hipotético. Os designs candidatos são depois filtrados com métricas derivadas das previsões do AlphaFold 3, que avaliam detalhes atómicos relevantes para o mecanismo, como a geometria entre uma base catalítica e o seu substrato.

O GDM_NT_270 alcança uma regioseletividade de 99:1 na síntese de piperidina

Os investigadores conceberam transferases de nitrenos para sintetizar piperidinas — um heterociclo presente em numerosos medicamentos aprovados pela FDA. A ciclização competitiva de um substrato pode produzir anéis de cinco membros, as pirrolidinas, ou de seis membros, as piperidinas, e as enzimas heme naturais favorecem fortemente a primeira opção. O rastreio de 188 variantes naturais e modificadas não produziu nenhuma enzima que superasse uma relação de 30:70 entre piperidina e pirrolidina. Em contraste, o principal design de novo, GDM_NT_270, alcançou uma regioseletividade de 99:1 para piperidina, com 94% de excesso enantiomérico e 22 ciclos catalíticos — invertendo a tendência natural através do controlo direto da geometria do sítio ativo.

O AP Novo produz sete famílias estruturais para a degradação do DEHP

A equipa teve como alvo o ftalato de di(2-etil-hexilo) (DEHP), um plastificante omnipresente e contaminante ambiental desregulador do sistema endócrino, cujas cadeias laterais volumosas e insolubilidade em água inutilizam a maioria das hidrolases naturais. Um rastreio recente de 65 esterases naturais encontrou apenas uma DEHPase ativa; o AP Novo produziu sete novas famílias estruturais capazes de realizar a reação, com uma taxa de sucesso de até 11% para novas estruturas de suporte (39% para estruturas de suporte reutilizadas). Embora atualmente sejam menos ativas do que as enzimas naturais em condições aquosas, as estruturas concebidas apresentam propriedades raras na natureza: uma enzima com 191 resíduos era 14 vezes mais ativa a 90 °C do que à temperatura ambiente e manteve-se funcional em 75% de acetonitrilo, condições que desnaturam completamente as esterases naturais. O seu pequeno tamanho e a elevada expressão em E. coli também reduzem os custos de produção.

A filtragem de conjuntos de sequências amplifica o poder preditivo até 30 vezes

A principal conclusão metodológica do trabalho diz respeito à filtragem. Os investigadores descobriram que avaliar conjuntos de sequências derivadas do LigandMPNN em relação à mesma estrutura-base — exigindo que todas as variantes com novas sequências passassem filtros inspirados no mecanismo — amplificava drasticamente o poder preditivo, elevando até 30 vezes as taxas de sucesso para esterases de serina. A combinação deste método com uma nova amostragem de estruturas-base através de difusão parcial elevou as taxas de sucesso retrospetivas para 60% no caso das liases de Kemp e 80% no caso das esterases de serina. Os autores defendem que isto explica por que razão as pipelines de redesign iterativo funcionam: selecionam implicitamente estruturas-base cujo espaço local de sequência e estrutura suporta amplamente a geometria catalítica pretendida.

Código e pesos disponibilizados para utilização não comercial

Continuam a existir limitações. As atividades catalíticas permanecem várias ordens de grandeza abaixo das das enzimas naturais ou otimizadas através de evolução dirigida, a construção de motivos exige conhecimentos especializados específicos para cada reação e os modelos ainda não captam de forma significativa a física da catálise. Ainda assim, com o código e os pesos disponibilizados para utilização não comercial, o AP Novo indica que o design generativo de proteínas está a tornar-se um complemento prático — e, em alguns casos específicos, uma alternativa — à mineração da biodiversidade natural.

Perguntas Frequentes

O que apresentou a Google DeepMind em 6 de Outubro de 2026?

A Google DeepMind apresentou o AlphaProtein Novo (AP Novo), uma pipeline de aprendizagem automática para o design de enzimas de novo, num preprint publicado esta semana na bioRxiv. Desenvolvido em conjunto com a Caltech e a University of Pittsburgh, o sistema concebe enzimas a partir de princípios fundamentais e testou mais de 5 600 designs em cinco reações, alcançando taxas de sucesso de até 80% nas melhores abordagens de design.

Qual é o desempenho da enzima GDM_NT_270 na síntese de piperidina?

O principal design de novo, GDM_NT_270, alcançou uma regioseletividade de 99:1 para piperidina, com 94% de excesso enantiomérico e 22 ciclos catalíticos. Isto inverte a tendência natural através do controlo direto da geometria do sítio ativo, uma vez que o rastreio de 188 variantes naturais e modificadas não produziu nenhuma enzima que superasse uma relação de 30:70 entre piperidina e pirrolidina.

Quais são as limitações do AlphaProtein Novo?

As atividades catalíticas permanecem várias ordens de grandeza abaixo das das enzimas naturais ou otimizadas através de evolução dirigida, a construção de motivos exige conhecimentos especializados específicos para cada reação e os modelos ainda não captam de forma significativa a física da catálise. No entanto, o código e os pesos foram disponibilizados para utilização não comercial.

Aviso legal: As informações contidas nesta página podem provir de fontes externas e têm caráter meramente informativo. Não refletem os pontos de vista nem as opiniões da Gate e não constituem qualquer tipo de aconselhamento financeiro, de investimento ou jurídico. A negociação de ativos virtuais envolve um risco elevado. Não se baseie exclusivamente nas informações contidas nesta página ao tomar decisões. Para mais detalhes, consulte o Aviso legal.
Comentar
0/400
Nenhum comentário