Cientistas do Centro Donelly da Universidade de Toronto desenvolveram um modelo de IA de ponta chamado PepFlow que consegue prever as diversas formas que os p\u00e9ptidos adoptam com uma precis\u00e3o sem precedentes.\u00a0<\/b><\/p>\n
Os p\u00e9ptidos s\u00e3o pequenas mol\u00e9culas constitu\u00eddas por amino\u00e1cidos, os blocos de constru\u00e7\u00e3o das prote\u00ednas.\u00a0<\/span><\/p>\n Embora os p\u00e9ptidos sejam semelhantes \u00e0s prote\u00ednas, s\u00e3o muito mais pequenos e flex\u00edveis, o que lhes permite dobrarem-se numa enorme variedade de formas.\u00a0<\/span><\/p>\n A forma espec\u00edfica de um p\u00e9ptido \u00e9 crucial porque determina a forma como interage com outras mol\u00e9culas no corpo, o que, por sua vez, dita a sua fun\u00e7\u00e3o biol\u00f3gica.<\/span><\/p>\n Prever as estruturas de prote\u00ednas e p\u00e9ptidos tem sido um desafio de longa data na biologia. Devido \u00e0 complexidade da matem\u00e1tica envolvida, \u00e9 um excelente problema para a aprendizagem autom\u00e1tica.\u00a0<\/span><\/p>\n Nos \u00faltimos anos, modelos de IA como <\/span>AlphaFold 2 e 3<\/span><\/a>desenvolvidos pela DeepMind da Google, revolucionaram a previs\u00e3o da estrutura das prote\u00ednas.\u00a0<\/span><\/p>\n O AlphaFold2 utiliza a aprendizagem profunda para prever a estrutura 3D mais prov\u00e1vel de uma prote\u00edna com base na sua sequ\u00eancia de amino\u00e1cidos. Mas o w<\/span>mbora o AlphaFold2 tenha sido incrivelmente bem sucedido no caso das prote\u00ednas, tem limita\u00e7\u00f5es quando se trata de mol\u00e9culas altamente flex\u00edveis como os p\u00e9ptidos.<\/span><\/p>\n \"At\u00e9 agora, n\u00e3o t\u00ednhamos conseguido modelar toda a gama de conforma\u00e7\u00f5es dos p\u00e9ptidos\". <\/span>afirmou Osama Abdin<\/span><\/a>O primeiro autor do estudo.<\/span><\/p>\n Pepflow, documentado numa estudo publicado<\/a> na Nature Machine Intelligence, \"utiliza a aprendizagem profunda para captar as conforma\u00e7\u00f5es precisas e exactas de um p\u00e9ptido em poucos minutos\".<\/span><\/p>\n O PepFlow utiliza modelos de IA inspirados em Boltzmann generators.<\/span> Estes modelos aprendem os princ\u00edpios f\u00edsicos fundamentais que regem a forma como a estrutura qu\u00edmica de um p\u00e9ptido determina o seu espetro de formas poss\u00edveis.\u00a0<\/span><\/p>\n Isto permite ao PepFlow prever com precis\u00e3o as estruturas de p\u00e9ptidos com caracter\u00edsticas invulgares, tais como p\u00e9ptidos circulares formados atrav\u00e9s de macrocicliza\u00e7\u00e3o. Os p\u00e9ptidos macroc\u00edclicos s\u00e3o particularmente interessantes para o desenvolvimento de medicamentos devido \u00e0s suas propriedades de liga\u00e7\u00e3o \u00fanicas.<\/span><\/p>\n O que distingue o PepFlow de modelos como o AlphaFold2 \u00e9 a sua capacidade de prever n\u00e3o apenas uma estrutura, mas toda a \"paisagem energ\u00e9tica\" de um p\u00e9ptido.\u00a0<\/span><\/p>\n A paisagem energ\u00e9tica representa todas as formas poss\u00edveis que um p\u00e9ptido pode assumir e como transita entre estas diferentes conforma\u00e7\u00f5es.<\/span><\/p>\n A capta\u00e7\u00e3o desta complexidade estrutural \u00e9 fundamental para u<\/span>Compreender o funcionamento dos p\u00e9ptidos em diferentes contextos biol\u00f3gicos.<\/span><\/p>\n Os investigadores do @UofT<\/a> desenvolveram um #DeepLearning<\/a> chamado PepFlow, que pode prever todas as formas poss\u00edveis de p\u00e9ptidos.<\/p>\n O PepFlow pode informar o desenvolvimento de medicamentos atrav\u00e9s da conce\u00e7\u00e3o de p\u00e9ptidos que actuam como ligantes. #Descoberta de medicamentos<\/a><\/p>\n Saiba mais \ud83d\udc49 https:\/\/t.co\/eAKOg5e7Cz<\/a> pic.twitter.com\/mYP9YeiCOe<\/a><\/p>\n - Centro Donnelly (@DonnellyCentre) 27 de junho de 2024<\/a><\/p><\/blockquote>\n\n