Modelo Pinal gera candidatos a proteínas; quatro funções foram observadas em laboratório

Infografia conceptual original do Portugal Binário; não representa uma proteína do estudo.

Investigadores apresentam o Pinal, um modelo de inteligência artificial concebido para gerar candidatos a proteínas a partir de descrições em linguagem natural. O artigo na revista Nature relata quatro tarefas em que os candidatos seleccionados tiveram as funções pretendidas observadas em laboratório.

O resultado é uma prova de conceito de desenho e seleção de candidatos. Não significa que qualquer pedido produza automaticamente uma proteína funcional, nem que o sistema tenha desenvolvido um tratamento médico.

Modelo	16 mil milhões de parâmetros
Treino	1,7 mil milhões de pares sintéticos proteína–texto
Tarefas testadas	4 classes de proteína
Resultado específico	1,7 vezes mais produto numa via enzimática de fixação de CO₂

Da descrição aos candidatos

O Pinal relaciona descrições de funções biológicas com sequências e estruturas de proteínas. Os 1,7 mil milhões de exemplos usados no treino são pares sintéticos de texto e proteína; não correspondem a 1,7 mil milhões de proteínas produzidas ou testadas.

A equipa usou o modelo para desenhar uma proteína fluorescente, uma enzima para degradar PET — o plástico usado em muitas garrafas —, uma álcool-desidrogenase e uma proteína H envolvida no metabolismo. A função pretendida foi observada nos quatro tipos, incluindo actividade catalítica nas duas enzimas.

Um resultado de 1,7 vezes numa via específica

O exemplo mais quantificado envolve uma proteína H desenhada pelo Pinal. Substituída pela versão natural da bactéria Escherichia coli num sistema com várias enzimas que fixa dióxido de carbono, a variante desenhada aumentou 1,7 vezes o título do produto final, segundo o estudo.

O valor mede a quantidade total de produto gerada naquele percurso laboratorial, não uma subida de 1,7 vezes na velocidade de uma enzima isolada. Também não demonstra captura de CO₂ da atmosfera, redução de emissões ou produção industrial.

Na experiência com proteínas H, cinco de vinte candidatos testados apresentaram actividade na via. Um deles produziu o resultado de 1,7 vezes em comparação com a proteína H natural usada como referência.

A selecção continua a exigir filtros e ensaios

O processo não consistiu em escrever uma frase e obter de imediato uma proteína comprovada. Para o teste de fluorescência, por exemplo, o modelo gerou 50 mil sequências; depois de filtros computacionais, os investigadores sintetizaram e testaram 29 candidatos. Um deles apresentou fluorescência verde.

No teste da enzima para PET, os autores filtraram 2 416 candidatos por critérios gerais de estrutura e alinhamento com a descrição, seleccionaram 94 para ensaios e identificaram uma variante activa. A revisão por pares levou a equipa a repetir essa validação sem filtros específicos de motivos catalíticos.

Os autores explicam que a linguagem natural reduz a necessidade de construir manualmente certas restrições estruturais durante a geração. A selecção de candidatos, o desenho dos ensaios e a validação biológica continuam, porém, a exigir ferramentas e conhecimento especializado.

Uma ferramenta de investigação, não uma aplicação clínica

As quatro demonstrações são de engenharia de proteínas em laboratório. O estudo não apresenta testes em pessoas, medicamentos ou resultados clínicos. A prova mais forte é a actividade observada nos candidatos seleccionados, não uma taxa geral de sucesso para todas as sequências geradas.

A revista disponibiliza um ficheiro de revisão por pares com as críticas e respostas que acompanharam a publicação. Os autores reconheceram que a formulação inicial podia sugerir autonomia excessiva e restringiram a conclusão: o Pinal é uma interface de linguagem para explorar candidatos, com filtros e experiências ainda necessários.