Principais destaques:
- Pesquisadores da Universidade de Basel descobriram que modelos de IA usados no design de medicamentos, como AlphaFold e RosettaFold, ainda não compreendem as leis da física por trás das interações proteína-ligante.
- Mesmo quando as proteínas e moléculas foram alteradas para impossibilitar a ligação, as IAs continuaram prevendo estruturas incorretas, como se nada tivesse mudado.
- Os cientistas defendem que futuros modelos de IA devem incorporar princípios físico-químicos para gerar previsões mais realistas e úteis ao desenvolvimento de novos fármacos.
O poder e os limites da IA na biotecnologia
Nos últimos anos, ferramentas como AlphaFold e RosettaFold revolucionaram a biologia estrutural.
Com o auxílio de redes neurais complexas, elas passaram a prever, com precisão impressionante, como as cadeias de aminoácidos se dobram para formar as complexas estruturas tridimensionais das proteínas. Esse avanço foi tão significativo que, em 2024, seus criadores receberam o Prêmio Nobel de Química.
Esses modelos inauguraram uma nova era no desenvolvimento de terapias, acelerando pesquisas que antes levavam anos. E mais recentemente, evoluíram para tentar prever como as proteínas interagem com outras moléculas, como fármacos e enzimas, um passo crucial no design de medicamentos personalizados.
Mas, segundo novos resultados divulgados pela Universidade de Basel, há um problema fundamental: essas inteligências artificiais parecem ter “aprendido” o comportamento das moléculas observando exemplos, sem realmente entender as leis físicas e químicas que regem essas interações.
Um sucesso “suspeitosamente” alto
O professor Markus Lill, do Departamento de Ciências Farmacêuticas da Universidade de Basel, percebeu algo intrigante: o sucesso das previsões desses modelos parecia bom demais para ser verdade.
Afinal, eles são treinados em um conjunto relativamente limitado, cerca de 100 mil estruturas proteína-ligante conhecidas, um número pequeno comparado a outros tipos de dados usados na IA.
Desconfiados, os pesquisadores decidiram testar o quanto os modelos “entendiam” de fato sobre as interações moleculares. Alteraram, por exemplo, as cargas elétricas e os sítios de ligação de várias proteínas, mudanças que, na vida real, deveriam impedir completamente que uma molécula se ligasse a elas.
O resultado? Mesmo assim, o modelo previu a mesma estrutura complexa, como se nada tivesse sido modificado.
Em mais da metade dos casos, as previsões ignoraram completamente as interferências. “Isso mostra que, na verdade, os modelos não compreendem por que uma droga se liga a uma proteína; eles apenas reconhecem padrões familiares dos dados de treinamento”, explica Lill.
O desafio do desconhecido e o futuro do design de fármacos com IA
Quando confrontadas com proteínas sem nenhuma semelhança com as usadas em seu treinamento, as IAs mostraram ainda mais dificuldades, justamente o tipo de situação em que novas descobertas terapêuticas costumam surgir.
Segundo Lill, é essencial que os cientistas validem experimentalmente as previsões feitas por esses modelos ou utilizem análises complementares que realmente considerem as propriedades físico-químicas das moléculas. O estudo, aliás, combinou essas abordagens para confirmar as falhas detectadas.
Para o pesquisador, o caminho está claro: o futuro do design molecular com IA precisa unir aprendizado de máquina e leis da física.
Somente assim será possível gerar modelos mais realistas, capazes de prever interações inéditas entre proteínas e fármacos — abrindo, de fato, o caminho para terapias completamente novas.
