Visão Geral

A predição de estrutura de proteínas visa determinar a conformação tridimensional de uma proteína a partir de sua sequência de aminoácidos apenas. Como a determinação experimental de estruturas, via cristalografia de raios-X, espectroscopia NMR ou crio-EM, continua cara e demorada, métodos computacionais oferecem uma alternativa escalável. O campo foi revolucionado pelo aprendizado profundo, mais notavelmente pelo AlphaFold2, que alcança precisão quase experimental para uma grande fração de proteínas globulares. A predição de estruturas preenche a lacuna entre os bancos de dados de sequências em constante crescimento e a cobertura estrutural comparativamente escassa do universo proteico.

Métodos

Três abordagens principais existem. A modelagem por homologia (comparativa) constrói uma estrutura alvo usando uma ou mais estruturas molde determinadas experimentalmente com similaridade de sequência significativa. O threading (reconhecimento de dobramento) detecta dobramentos compatíveis mesmo quando a identidade de sequência é baixa. Métodos de aprendizado profundo: particularmente aqueles baseados em arquiteturas transformer e modelos diferenciáveis ponta a ponta, preveem distâncias e ângulos inter-resíduos a partir de informações coevolutivas e restrições físicas. A qualidade do modelo é avaliada usando métricas como pLDDT (teste de diferença de distância local prevista) e TM-score.

Aplicações

A predição precisa de estruturas acelera a descoberta de fármacos ao permitir a triagem virtual baseada em estrutura, guia o design de experimentos de mutagênese e facilita a anotação funcional de proteínas não caracterizadas. As estruturas previstas são rotineiramente usadas para interpretar relações de estrutura de proteínas, estudar o impacto de mutações no contexto dos aminoácidos e modelar vias de dobramento relevantes para o dobramento de proteínas e chaperonas. A abordagem também complementa dados experimentais da espectroscopia NMR fornecendo modelos iniciais para refinamento de estruturas.