Inovação · Biologia e IA

AlphaFold e o Nobel de Química de 2024: a IA que leu as proteínas

Como uma inteligência artificial resolveu um problema de 50 anos da biologia, e o que isso já muda na medicina.

PorRedação Piantare

Publicado14 set 2026

Leitura9 min

Neste texto

1. Por que a forma de uma proteína importa
2. O que o AlphaFold fez
3. O Nobel de Química de 2024
4. Do laboratório para o mundo: os bancos abertos
5. O que muda na criação de remédios
6. O que ainda não sabemos
7. Por que isso importa para a longevidade
8. Como acompanhar
9. Perguntas frequentes
10. Fontes

Por que a forma de uma proteína importa

Proteínas fazem quase todo o trabalho do corpo. Elas carregam oxigênio, digerem alimentos, formam músculos, defendem contra infecções e funcionam como hormônios. Cada proteína é uma corrente de aminoácidos, escolhidos entre cerca de 20 tipos, que se dobra sozinha numa forma tridimensional precisa. E é essa forma que define o que ela faz.

Os genes guardam a receita da sequência de aminoácidos. Ler essa sequência ficou barato e rápido. Descobrir a forma final, não. Por décadas, isso exigiu técnicas de laboratório como a cristalografia de raios X ou a criomicroscopia eletrônica, que podiam levar meses ou anos para uma única proteína.

Segundo o artigo que apresentou o AlphaFold, cerca de 100 mil estruturas de proteínas únicas tinham sido determinadas em laboratório, uma fração mínima dos bilhões de sequências conhecidas EV B. Prever a forma a partir da sequência era um problema aberto desde os anos 1970, o chamado problema do enovelamento de proteínas.

O que o AlphaFold fez

Em 2020, a equipe da DeepMind, liderada por Demis Hassabis e John Jumper, apresentou o AlphaFold2 na competição CASP14, uma avaliação cega em que os grupos tentam prever estruturas que já foram resolvidas em laboratório, mas ainda não publicadas. O artigo que descreveu o método saiu na Nature em 2021 EV B.

O resultado: pela primeira vez, um método computacional previu estruturas com precisão atômica de forma regular, mesmo quando não havia nenhuma proteína parecida já resolvida. Na maioria dos casos da competição, a precisão ficou competitiva com a das estruturas experimentais.

O sistema combina aprendizado de máquina com conhecimento físico e biológico, e usa alinhamentos de sequências de proteínas parecidas em diferentes espécies. A ideia é que posições que mudam juntas ao longo da evolução provavelmente estão próximas na forma final.

Um detalhe faz diferença no uso prático: cada previsão vem com uma nota de confiança para cada trecho da proteína. Regiões com nota alta tendem a coincidir com o que se mede em laboratório. Regiões com nota baixa sinalizam incerteza, ou partes que não têm forma fixa. Saber ler essa nota é o que separa um uso cuidadoso de um uso ingênuo da ferramenta, e é a primeira coisa que pesquisadores olham antes de tirar qualquer conclusão.

O Nobel de Química de 2024

Em 9 de outubro de 2024, a Academia Real Sueca de Ciências anunciou o Nobel de Química dividido em duas metades. Uma foi para David Baker, da Universidade de Washington, "pelo desenho computacional de proteínas". A outra foi dividida entre Demis Hassabis e John Jumper, do Google DeepMind, "pela previsão da estrutura de proteínas" EV A.

As duas metades se completam:

• Prever. O AlphaFold lê uma sequência existente e diz qual forma ela vai assumir.
• Desenhar. Baker faz o caminho inverso. Em 2003, seu grupo criou uma proteína diferente de qualquer outra conhecida. Desde então, o laboratório desenhou proteínas usadas como candidatas a medicamentos, vacinas, nanomateriais e sensores.

O comunicado oficial destaca dois números do AlphaFold2: a previsão da estrutura de praticamente todas as 200 milhões de proteínas identificadas pelos pesquisadores e o uso por mais de 2 milhões de pessoas em 190 países.

O texto da Academia também cita exemplos de uso já em curso: entender melhor a resistência de bactérias a antibióticos e obter imagens de enzimas capazes de decompor plástico. São aplicações de pesquisa, que mostram a amplitude da ferramenta muito além da medicina.

Do laboratório para o mundo: os bancos abertos

Um dos motivos do impacto foi a decisão de abrir as previsões para a comunidade científica.

Antes do AlphaFold, cerca de 17% dos aminoácidos das proteínas humanas estavam cobertos por uma estrutura experimental. Em poucos meses, a cobertura confiável passou de metade. Para quem pesquisa uma doença rara, isso pode significar ter, pela primeira vez, uma hipótese visual da proteína envolvida.

O que muda na criação de remédios

A maior parte dos medicamentos funciona se encaixando numa proteína, como uma chave numa fechadura. Conhecer a forma da fechadura ajuda a desenhar a chave. É aqui que o AlphaFold 3 interessa: ele prevê como proteínas interagem com pequenas moléculas, e no artigo original mostrou precisão bem maior que ferramentas tradicionais de encaixe molecular EV B.

Na genética, a lógica é parecida. Uma variante que troca um aminoácido pode mudar a forma da proteína, ou não mudar nada. O AlphaMissense usa o contexto estrutural para estimar qual é o caso. Isso ajuda pesquisadores a priorizar as variantes de significado incerto, um dos gargalos do sequenciamento do exoma e da medicina de precisão. É uma ferramenta de pesquisa e triagem. A classificação clínica de uma variante continua seguindo critérios próprios, com laudo e profissional responsável.

A inteligência artificial também começa a chegar aos ensaios clínicos por outros caminhos. Em 2025, a Nature Medicine publicou o primeiro ensaio de fase 2a de uma molécula em que tanto o alvo quanto o composto foram descobertos com IA generativa, para fibrose pulmonar idiopática. Foram 71 participantes por 12 semanas, e o desfecho principal era segurança EV B. É um passo inicial. Ele não envolveu o AlphaFold diretamente e não é uma aprovação de remédio.

O que ainda não sabemos

O Nobel reconhece uma conquista real, mas a própria comunidade científica é clara sobre os limites.

• Previsão não é medição. Um estudo publicado na Nature Methods comparou previsões do AlphaFold com mapas experimentais. Em muitos casos, a concordância foi notável. Em outros, mesmo previsões de alta confiança divergiram na orientação de partes da proteína ou em detalhes locais. Os autores recomendam tratar as previsões como hipóteses muito úteis, a serem confirmadas em laboratório EV B.
• Proteínas se movem. A previsão mostra uma forma provável. No corpo, proteínas mudam de forma, ligam-se a outras moléculas e sofrem modificações químicas que a previsão nem sempre captura.
• Regiões sem forma fixa. No proteoma humano, boa parte dos aminoácidos sem previsão confiável está em regiões naturalmente desordenadas.
• Do alvo ao remédio. Saber a forma de uma proteína encurta etapas iniciais. Segurança, eficácia e aprovação regulatória continuam exigindo anos de ensaios clínicos. Até agora, os ganhos concretos estão na pesquisa básica e na descoberta, não em remédios aprovados graças à ferramenta.

Por que isso importa para a longevidade

Muito do que se estuda em envelhecimento envolve proteínas que se dobram mal, que se acumulam ou que perdem função. Ter a forma provável de praticamente todas as proteínas humanas à disposição acelera perguntas que antes levavam anos só para começar. É uma infraestrutura de conhecimento, pública e aberta, que vai alimentar pesquisas por décadas.

Para a pessoa comum, o efeito é indireto e de longo prazo: melhores hipóteses na pesquisa, interpretação genética mais rica com o tempo e, mais à frente, remédios desenhados com mais precisão. A leitura do próprio DNA, que já é possível hoje, faz parte desse mesmo movimento. Veja como funciona em mapeamento genético e como os genes conversam com os hábitos em epigenética.

Como acompanhar

A Piantare se organiza como infraestrutura de saúde e longevidade: une num lugar só exames, DNA, wearables e hábitos, e traduz tudo em decisões para mais anos com saúde. O Piantare Helix é a peça genética: um exame de DNA de estilo de vida, com coleta de saliva em casa, 9 relatórios e mais de 200 resultados sobre ancestralidade, nutrição, performance, pele, envelhecimento, mente e sono, medicamentos e prevenção, além do Protocolo 90 no app. Custa R$ 997 ou 12x R$ 83,08 e inclui 6 meses do Piantare PRO. O Helix não usa o AlphaFold. Ele faz parte do mesmo movimento de transformar informação biológica em decisões do dia a dia.

Perguntas frequentes

Fontes

1. Jumper J, Evans R, Pritzel A et al. Highly accurate protein structure prediction with AlphaFold. Nature, 2021;596(7873):583-589. PMID 34265844. doi.org/10.1038/s41586-021-03819-2 · Evidência B
2. The Royal Swedish Academy of Sciences. Press release: The Nobel Prize in Chemistry 2024, 9 out. 2024. NobelPrize.org. www.nobelprize.org/prizes/chemistry/2024/press-release/ · Evidência A
3. Tunyasuvunakool K, Adler J, Wu Z et al. Highly accurate protein structure prediction for the human proteome. Nature, 2021;596(7873):590-596. PMID 34293799. doi.org/10.1038/s41586-021-03828-1 · Evidência B
4. Varadi M, Bertoni D, Magana P et al. AlphaFold Protein Structure Database in 2024: providing structure coverage for over 214 million protein sequences. Nucleic Acids Research, 2024;52(D1):D368-D375. PMID 37933859. doi.org/10.1093/nar/gkad1011 · Evidência B
5. Abramson J, Adler J, Dunger J et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 2024;630(8016):493-500. PMID 38718835. doi.org/10.1038/s41586-024-07487-w · Evidência B
6. Cheng J, Novati G, Pan J et al. Accurate proteome-wide missense variant effect prediction with AlphaMissense. Science, 2023;381(6664):eadg7492. PMID 37733863. doi.org/10.1126/science.adg7492 · Evidência B
7. Terwilliger TC, Liebschner D, Croll TI et al. AlphaFold predictions are valuable hypotheses and accelerate but do not replace experimental structure determination. Nature Methods, 2024;21(1):110-116. PMID 38036854. doi.org/10.1038/s41592-023-02087-4 · Evidência B
8. Xu Z, Ren F, Wang P et al. A generative AI-discovered TNIK inhibitor for idiopathic pulmonary fibrosis: a randomized phase 2a trial. Nature Medicine, 2025;31(8):2602-2610. PMID 40461817. doi.org/10.1038/s41591-025-03743-2 · Evidência B