Enzimas redesenhadas por inteligência artificial marcam novo passo na medicina de precisão molecular

O campo do design de proteínas deu um salto qualitativo nos últimos anos. O que antes exigia anos de experimentação em laboratório — mutação aleatória, seleção, repetição — agora pode ser feito em dias, com modelos de IA prevendo sequências de aminoácidos que se dobram em formas funcionais. A fronteira atual não é mais apenas projetar proteínas que se ligam a um alvo: é projetar proteínas que executam reações químicas específicas em outras proteínas, com precisão cirúrgica.

Um conjunto de estudos recentes publicado entre julho e outubro de 2026 demonstra esse avanço de forma impressionante. Pesquisadores do Broad Institute, do MIT e do Scripps Research combinaram ferramentas de IA com evolução laboratorial para criar proteases — enzimas que cortam outras proteínas — capazes de reconhecer e degradar alvos associados a doenças neurodegenerativas como Parkinson e Huntington.

Da toxina botulínica ao tratamento de doenças

O caso mais emblemático envolve as proteases da toxina botulínica, as mesmas que, na forma do Botox, paralisam músculos ao cortar a proteína SNAP-25 nas terminações nervosas. Pesquisadores do Broad Institute, liderados por David Liu, usaram o modelo ProteinMPNN para redesenhar essas proteases, criando versões mais estáveis do que as naturais. Em seguida, aplicaram PACE — uma técnica de evolução assistencial desenvolvida no próprio Broad — para reprogramar a especificidade dessas enzimas para cortar ataxina-2, a proteína ligada à doença de Huntington.

O resultado foi 79 vezes mais eficiente do que versões evoluídas a partir das proteases naturais. E, o mais importante, as enzimas evoluídas a partir dos pontos de partida projetados por IA eram intrinsecamente mais estáveis e específicas do que as evoluídas a partir das versões selvagens.

"Quando proteínas evoluem novas funções, normalmente sacrificam estabilidade", explicou Nick Krasnow, primeiro autor do estudo. "Isso limita o quanto elas podem mudar durante a evolução. Mas se você começa com uma proteína mais estável, ela tem mais estabilidade reserva, então pode se dar ao luxo de fazer mudanças maiores em busca de novas funções."

O mesmo grupo publicou estudo separado no Nature mostrando que esse paradigma — IA como ponto de partida, evolução como refinamento — funciona consistentemente em múltiplas proteases diferentes (BoNT/E, BoNT/F, BoNT/X), cada uma com aplicações terapêuticas distintas.

Proteases que buscam câncer

Paralelamente, pesquisadores do MIT e do Microsoft Research desenvolveram o CleaveNet, um pipeline de IA end-to-end para projetar sequências peptídicas que são cortadas por proteases específicas. Diferentemente dos estudos do Broad, que focam em reprogramar a enzima para atacar um novo alvo, o CleaveNet foca em projetar o alvo para ser cortado por uma enzima existente.

A aplicação demonstrada: detectar câncer precocemente. Nanopartículas revestidas com os peptídeos projetados atuam como sensores que emitem sinal quando encontram MMP13 — uma protease superexpressa em células cancerosas que ajuda na metástase ao cortar colágeno. O sistema foi capaz de gerar peptídeos cortados pela MMP13 com eficiência e seletividade notáveis, algo que os métodos tradicionais de "tente e erro" demorariam muito mais para alcançar.

O genoma humano codifica cerca de 600 proteases. O CleaveNet oferece pela primeira vez um caminho computacional para mapear e explorar essa diversidade de forma sistemática, não apenas para diagnóstico, mas potencialmente para terapia.

Reaproveitando Botox para Parkinson

Em um terceiro estudo apresentado no Nature, pesquisadores do Scripps Research, liderados por Hartmut Sondermann, usaram evolução direcionada para reprogramar a protease da toxina botulínica contra α-sinucleína — a proteína que se acumula de forma anormal em neurônios de pacientes com doença de Parkinson.

O mecanismo é particularmente elegante porque explora uma característica inerente da toxina botulínica: ela naturalmente se entrega a neuronios. Ao modificar a enzima para atacar α-sinucleína, os pesquisadores criaram uma ferramenta que já sabe encontrar seu destino. Em células humanas, a "Protease 5" eliminou quase toda a α-sinucleína sem afetar outras proteínas celulares.

"Em vez de precisar de um sítio de ligação específico, elas podem ser projetadas para reconhecer e cortar α-sinucleína diretamente, impedindo que ela se acumule perigosamente no cérebro", disse Sondermann. "O Botox tem sido usado por décadas com reação imunológica mínima, o que torna um ponto de partida promissor para uma enzima terapêutica."

O que isso significa para o futuro do design de proteínas

Esses três estudos, publicados por equipes diferentes em revistas diferentes, convergem em uma direção clara: a combinação de modelos generativos de IA com evolução experimental está transformando as proteases de ferramentas de pesquisa em plataformas terapêuticas programáveis.

O ponto mais importante é a estabilidade. Um problema fundamental do design de enzimas sempre foi que, ao adquirir novas funções, as enzimas perdem estabilidade estrutural. As versões naturais já estão no limite de sua robustez evolutiva — não há margem para grandes mudanças. As versões redesenhadas por IA, ao contrário, possuem estabilidade excedente. Essa "folga termodinâmica" permite que as enzimas absorvam mutações sem desestabilizar, explorando um espaço de sequência muito maior.

Isso não é apenas uma melhoria incremental. É uma mudança de paradigma na forma como pensamos sobre a engenharia enzimática: em vez de "começar com a natureza e melhorar o que funciona", começamos com uma versão otimizada pela IA da natureza e exploramos possibilidades que a evolução natural jamais produziu.

A pergunta que fica não é se esse enfoque será adotado pela indústria farmacêutica — já está sendo — mas qual será a primeira doença que ele conseguirá tratar de forma efetiva, e quanto tempo levará para chegar aos pacientes.

Fontes: Broad Institute, EurekAlert / Scripps Research, MIT News

✓ Fontes independentes cruzadas e verificadas antes da publicação