Dizer a um computador o que você quer que uma proteína faça — sem precisar descrever a posição de cada aminoácido, sem precisar desenhar a estrutura tridimensional — parecia, há poucos anos, ficção científica. Hoje, está no Nature.
No dia 21 de outubro de 2026, pesquisadores chineses publicaram no periódico o artigo sobre o Pinal, um modelo de fundação com 16 bilhões de parâmetros capaz de gerar sequências de proteínas funcionais a partir de descrições escritas em linguagem natural. O modelo foi treinado em 1,7 bilhão de pares sintéticos de proteína-texto, aprendendo a mapear intenção funcional — "crie uma proteína fluorescente verde" — diretamente para sequência e estrutura. Em avaliação computacional, os candidatos gerados apresentaram alta previsibilidade de dobramento, alinhamento com a descrição funcional e diversidade de sequência. Mais importante: a equipe experimentalizou quatro tarefas distintas, incluindo uma enzima projetada para degradar PET e outra para fixação de CO₂, observando a função pretendida em todos os casos. Uma proteína H projetada pelo Pinal aumentou o título de produto em 1,7 vezes em relação à proteína nativa de Escherichia coli em uma via multic enzimática de fixação de carbono — sem otimização experimental iterativa.
O que torna o Pinal particularmente relevante não é apenas a acurácia, mas a interface. Até recentemente, a proteína exigia que o bioengeneiro traduzisse seu objetivo biológico em restrições geométricas e de sequência — ângulos diedros, distâncias entre resíduos, superfícies de contato. Modelos como o AlphaFold 3 e o RFdiffusion 2 melhoraram a geração de estruturas, mas ainda exigiam que o usuário reformulasse manualmente a intenção funcional em termos estruturais. O Pinal elimina essa camada intermediária: o usuário descreve o que quer, e o modelo decide como alcançar.
Um ano antes, pesquisadores do MIT haviam dado o primeiro passo nessa direção com o VibeGen, desenvolvido pelo grupo do laboratório de Mattheu Buehler. O VibeGen inverte a lógica tradicional do desenho de proteínas: em vez de perguntar "que forma esta sequência produz?", o modelo pergunta "que sequência fará uma proteína se mover exatamente assim?". A ideia central é que a dinâmica de um proteína — como ela vibra, flexiona e alterna entre conformações — é tão crucial para sua função quanto sua estrutura estática. O VibeGen usa um modelo de difusão baseado em linguagem para refinar uma sequência aleatória de aminoácidos, passo a passo, até convergir em uma sequência que vibra e se flexiona da maneira desejada.
Os pesquisadores do MIT descobriram um fenômeno que chamaram de "degeneração funcional": muitas sequências e dobras de proteína diferentes podem satisfazer o mesmo alvo vibracional. Onde a evolução converge para uma solução, o VibeGen revela toda uma família de alternativas. "Isso sugere que a natureza explorou apenas uma fração do que é possível", disse Buehler. O modelo já foi validado com enzimas capazes de catalisar reações de formação de ligação de amida envolvidas na síntese de medicamentos globais de saúde, em colaboração com o Instituto de Desenho de Proteínas da Universidade de Washington e pesquisadores da Universidade de Manchester.
O campo cresceu rapidamente. Em setembro de 2026, a Universidade de Washington e a NVIDIA lançaram o RFD4-Proteina, que combina o RosettaFold Diffusion com o Proteina-Complexa da NVIDIA para considerar múltiplos aspectos interconectados de estrutura e função simultaneamente, refinando a sequência de aminoácidos, a estrutura tridimensional e as moléculas com as quais interage. Em outubro, pesquisadores da Universidade de Manchester validaram experimentalmente o modelo, projetando enzimas completamente novas para produção sustentável de medicamentos. A técnica permite direcionar mais esforço computacional para designs promissores, identificando candidatos com funções específicas com muito mais eficiência.
Mas a analogia mais reveladora talvez seja a comparação com o "vibe coding" em engenharia de software — aquela prática em que programadores descrevem o que querem em linguagem natural e agentes de IA geram o código. "Eu quero vibe codificar o genoma", disse um dos pesquisadores entrevistado pela Ars Technica. A ideia é que a interface natural permite que biólogos sem formação em programação ou aprendizado de máquina participem do desenho molecular. Em vez de consultar manuais de software especializados, o pesquisador descreve a função desejada e deixa o modelo tomar as decisões de baixo nível.
Isso não significa que a precisão já esteja à altura dos métodos manuais tradicionais. O Pinal produz candidatos viáveis, mas a taxa de sucesso experimental ainda é modesta — os pesquisadores precisaram de validação empírica para confirmar a função. E há um limite fundamental: a relação entre sequência, estrutura e função não é simplesmente mapeável. O problema do dobramento de proteínas, apesar dos avanços recentes, continua sendo um desafio em aberto. O Pinal não resolve o problema; ele muda a pergunta de "como projetar isso?" para "o que eu quero que isso faça?". E isso muda tudo.
O que o Pinal e o VibeGen revelam em conjunto é que a próxima fronteira não é desenhar moléculas átomo por átomo, mas especificar comportamento em termos biologicamente significativos — "queremos que essa proteína ligue ao receptor X" ou "queremos que ela vibre nesta frequência quando exposta a temperatura Y". Se os próximos anos confirmarem a viabilidade dessas abordagens, a bioengenharia deixará de ser uma disciplina de especialistas para se tornar uma ferramenta acessível a qualquer pessoa que saiba formular a pergunta certa em linguagem natural. A pergunta que fica é se essa democratização do desenho molecular vai acelerar descobertas médicas em décadas ou se o espaço de busca biológico é simplesmente vasto demais para que a linguagem natural seja suficiente para navegá-lo.
Fontes: Nature, MIT News, PubMed
✓ Fontes independentes cruzadas e verificadas antes da publicação
