Recentemente, o Google DeepMind revolucionou a biologia com o AlphaFold, um modelo de inteligência artificial capaz de prever a estrutura 3D de proteínas a partir de sua sequência de aminoácidos.

Esse avanço, segundo o site 9to5Mac, tem acelerado a pesquisa de novos medicamentos e materiais, transformando um processo que poderia levar meses ou anos em algo que hoje ocorre em poucas horas.

Pesquisadores buscam alternativas mais baratas

Apesar do sucesso do AlphaFold e de modelos similares como AlphaFold2, RoseTTAFold e ESMFold, a tecnologia ainda é considerada extremamente cara em termos de computação. Cada modelo utiliza métodos próprios para alcançar alta precisão, o que exige grande poder de processamento e gera estruturas rígidas.

Buscando alternativas mais acessíveis, pesquisadores da Apple estão desenvolvendo um método de IA promissor para prever proteínas em 3D. A expectativa é que essa abordagem consiga reduzir custos computacionais sem comprometer a precisão, abrindo novas possibilidades para a pesquisa biomolecular.

Leia mais:

• Esta proteína pode ajudar a combater a obesidade
• Dá para recuperar nervos danificados? Pesquisa no Brasil testa proteína que pode ajudar
• Cientistas encontram proteína que pode reverter envelhecimento cerebral

Os pesquisadores explicam que os modelos atuais conseguem prever com precisão como proteínas se dobram em 3D. Para isso, utilizam métodos complexos e específicos que comparam as sequências de aminoácidos e analisam relações entre pares da proteína. Isso permite ensinar o modelo sobre o processo de dobramento, em vez de fazê-lo descobrir sozinho a partir dos dados.

E é aí que o SimpleFold, modelo criado pela Apple, se diferencia. Ele se baseia nos chamados modelos de correspondência de fluxo para prever como as proteínas se dobram.

Antes, os modelos criavam imagens ajustando passo a passo, removendo possíveis ruídos. O modelo da Apple consegue criar a imagem inteira de uma só vez, tornando o processo mais rápido e exigindo menos poder computacional.

“Apesar de sua simplicidade, o SimpleFold atinge um desempenho competitivo em comparação com essas linhas de base”, explicam os pesquisadores da Apple.

Resultados são considerados promissores

• O SimpleFold prevê a estrutura de proteínas com alta precisão, chegando a 95% do desempenho do AlphaFold2.
• Supera outros modelos de correspondência de fluxo, como o ESMFold, inclusive em testes difíceis como CASP14.
• Foi treinado com 9 milhões de dados e modelos de diferentes tamanhos, de 100M a 3B parâmetros.
• É muito mais rápido e eficiente: processa uma proteína em 2 a 3 minutos em um MacBook Pro com chip M2 Max.
• Representa um avanço promissor, incentivando a criação de modelos de proteínas mais eficientes e acessíveis.