Faça um comentário
7 min de leitura
Nvidia se une a Nobel de Química e cria IA que projeta proteínas até 10 vezes mais rápido para novos medicamentos e materiais
Escrito por Ana Alice
Publicado em 24/10/2026 às 19:45
Atualizado em 24/10/2026 às 19:50
Ciência e Tecnologia
Grupo
Seja o primeiro a reagir!
Prefira o CPG no Google
Nova inteligência artificial desenvolvida com pesquisadores da Universidade de Washington acelera o design de proteínas, melhora taxas de sucesso em testes computacionais e pode apoiar pesquisas em medicamentos, enzimas, anticorpos e materiais.
A Nvidia e pesquisadores do Institute for Protein Design da Universidade de Washington apresentaram uma nova inteligência artificial capaz de gerar candidatos a proteínas de cinco a dez vezes mais rápido do que modelos anteriores em testes computacionais.
Batizado de RFD4-Proteina, o sistema foi desenvolvido em colaboração com o laboratório de David Baker, vencedor do Nobel de Química de 2024, e poderá ser usado na pesquisa de medicamentos, enzimas, anticorpos, novos materiais e processos industriais.
O modelo foi divulgado em 21 de outubro de 2026 e disponibilizado de forma aberta para pesquisadores e desenvolvedores.
ARTIGO CONTINUA ABAIXO
Veja também
A proposta não é apenas prever como uma proteína existente se dobra, mas projetar proteínas inteiramente novas a partir de características desejadas, como a capacidade de se ligar a uma molécula específica ou executar determinada reação química.
Nos benchmarks computacionais apresentados pelos pesquisadores, o RFD4-Proteina alcançou taxas de sucesso de design entre cinco e dez vezes maiores que as de métodos anteriores e, ao mesmo tempo, gerou candidatos entre cinco e dez vezes mais rapidamente.
Esses números não significam que todo medicamento poderá ser criado dez vezes mais rápido.
O ganho se refere às etapas computacionais avaliadas no desenvolvimento de proteínas, antes dos testes laboratoriais, estudos pré-clínicos e ensaios clínicos necessários para transformar uma molécula promissora em um produto aprovado.
Nobel de Química participa do desenvolvimento da nova IA
A colaboração reúne duas linhas de pesquisa.
De um lado está a família RFdiffusion, desenvolvida pelo Institute for Protein Design.
Do outro, tecnologias da Nvidia derivadas do modelo Proteina-Complexa e da plataforma BioNeMo.
O resultado foi uma arquitetura capaz de projetar simultaneamente a sequência de aminoácidos e a estrutura tridimensional completa de uma proteína, reduzindo etapas que anteriormente precisavam ser executadas por modelos diferentes.
David Baker dirige o Institute for Protein Design e recebeu metade do Nobel de Química de 2024 por design computacional de proteínas.
A outra metade do prêmio daquele ano foi concedida a Demis Hassabis e John Jumper, do Google DeepMind, por trabalhos relacionados à previsão de estruturas de proteínas.
O novo projeto não envolve Hassabis ou Jumper.
A ligação com o Nobel vem diretamente de Baker e de seu laboratório na Universidade de Washington, que desenvolveram o RFD4-Proteina em colaboração com pesquisadores da Nvidia.
IA tenta criar proteínas que ainda não existem na natureza
Proteínas são formadas por sequências de aminoácidos que se dobram em estruturas tridimensionais específicas.
Essa forma determina grande parte de sua função.
Uma proteína pode, por exemplo, acelerar uma reação química, reconhecer uma molécula, transportar substâncias ou se ligar a outra proteína dentro de uma célula.
O problema para os cientistas é a quantidade quase inimaginável de combinações possíveis.
A própria Nvidia usa um exemplo para dimensionar o desafio: uma proteína com apenas oito posições e diferentes possibilidades de aminoácidos já pode produzir dezenas de bilhões de combinações.
Em proteínas maiores, o espaço de busca cresce a uma escala que impede testar cada sequência individualmente.
É nesse ponto que modelos generativos entram no processo.
Em vez de analisar todas as combinações possíveis, a inteligência artificial aprende padrões presentes em estruturas biológicas e tenta produzir candidatos que atendam a restrições definidas pelos pesquisadores.
O RFD4-Proteina permite informar características como tamanho, regiões que devem permanecer fixas, moléculas que precisam ser reconhecidas e estruturas às quais a nova proteína deverá se ligar.
A partir dessas condições, o sistema gera uma sequência e uma configuração tridimensional que podem ser levadas para validação computacional e, posteriormente, para experimentos de laboratório.
Modelo dedica mais processamento aos problemas difíceis
Uma das características destacadas pelos pesquisadores é um mecanismo de raciocínio durante a geração.
O funcionamento foi comparado à possibilidade de aumentar o nível de “pensamento” de modelos de linguagem.
No RFD4-Proteina, tarefas mais difíceis podem receber mais etapas de refinamento computacional para aumentar a chance de encontrar estruturas que atendam às condições impostas.
O sistema também pode avaliar diferentes trajetórias durante a geração, atribuir pontuações aos candidatos mais promissores e concentrar o processamento nessas alternativas.
Esse mecanismo é chamado de reward-guided inference-time search, ou busca guiada por recompensa durante a inferência.
Em vez de simplesmente produzir uma proteína e encerrar a tarefa, o modelo pode comparar candidatos usando métricas relacionadas à geometria, às interações moleculares e à confiança das previsões.
A Nvidia também desenvolveu uma versão do modelo integrada ao NIM, sua infraestrutura para implantação de modelos de inteligência artificial.
Em testes técnicos específicos com proteínas de 200 resíduos, a empresa informou que a geração foi 3,8 vezes mais rápida que no RFD3 e utilizou 84% menos memória máxima.
Esse teste é diferente do resultado de cinco a dez vezes divulgado nos benchmarks gerais, pois compara configurações e versões específicas do sistema.
Proteínas criadas por IA já passaram por testes em laboratório
O avanço não ficou restrito aos resultados computacionais.
Segundo a Universidade de Washington, proteínas geradas pelo RFD4-Proteina também foram produzidas e avaliadas experimentalmente em laboratório para verificar se apresentavam as funções esperadas.
Os testes envolveram diferentes classes de problemas biomoleculares, incluindo desenho de proteínas capazes de se ligar a alvos, enzimas e interações com pequenas moléculas.
Um dos exemplos envolveu o desenvolvimento de uma enzima capaz de degradar pesticida.
Seth Woodbury, pesquisador de bioengenharia da Universidade de Washington, relatou que conseguiu em poucos dias desenvolver uma enzima com desempenho várias vezes superior ao melhor projeto que havia produzido anteriormente, trabalho que tinha exigido meses.
Outro experimento buscou controlar quais glicanos, tipos de açúcares importantes para processos de reconhecimento imunológico, seriam ligados às proteínas.
Segundo a equipe, o novo modelo permitiu controlar essas estruturas em menos de uma semana em tarefas nas quais ferramentas anteriores apresentavam limitações.
Os pesquisadores também testaram o sistema em uma reação relevante para a fabricação do lenacapavir, medicamento utilizado contra o HIV.
Em colaboração com cientistas da Universidade de Manchester, foram avaliados 67 projetos de enzimas produzidos pela inteligência artificial.
Quatro demonstraram atividade experimental clara, e a melhor converteu 79% do material inicial no produto desejado em uma reação usada como prova de conceito para síntese farmacêutica.
Esse resultado não significa que o RFD4-Proteina tenha criado o lenacapavir ou desenvolvido um novo medicamento aprovado.
O experimento demonstra que proteínas geradas computacionalmente podem realizar uma transformação química relevante para processos de fabricação de fármacos.
Tecnologia pode apoiar medicamentos, anticorpos e novos materiais
A plataforma foi desenvolvida para trabalhar com diferentes categorias de design molecular.
Entre as tarefas disponíveis estão criação de proteínas do zero, desenvolvimento de proteínas ligantes, desenho de enzimas, interação com pequenas moléculas, desenvolvimento de anticorpos e estruturas capazes de reconhecer DNA.
Na descoberta de medicamentos, uma possível aplicação é criar proteínas que se liguem especificamente a um alvo associado a uma doença.
Esses candidatos ainda precisam passar por uma série de verificações para determinar se realmente funcionam, se são estáveis, se podem ser produzidos e se apresentam segurança suficiente para avançar.
Por isso, o ganho imediato está principalmente no início da pesquisa.
Ao aumentar o número de candidatos úteis gerados por unidade de tempo, a ferramenta pode reduzir parte do trabalho necessário para encontrar moléculas que merecem ser testadas experimentalmente.
David Baker também aponta aplicações fora da medicina.
Proteínas artificiais podem ser projetadas como enzimas capazes de degradar determinados compostos, participar da fabricação de bioplásticos, reconhecer contaminantes ou realizar reações químicas utilizadas pela indústria.
A Academia Real Sueca de Ciências já havia destacado esse potencial ao conceder o Nobel de 2024 a Baker, mencionando possibilidades como novos nanomateriais, medicamentos direcionados, vacinas, sensores e processos químicos mais sustentáveis.
Conteúdo reproduzido originalmente em: clickpetroleoegas por Ana Alice.