Um dia após revelar que o Prémio Nobel da Física iria homenagear os avanços na pesquisa de aprendizagem automática, a Academia Real das Ciências da Suécia atribuiu o Prémio Nobel da Química a David Baker, “pelo design computacional de proteínas”, e a Demis Hassabis e John M. Jumper, “pela previsão de estruturas de proteínas”. Baker recebe metade do prémio, enquanto a outra metade é partilhada igualmente entre Hassabis e Jumper, em reconhecimento pelas suas contribuições para desvendar as complexidades das proteínas, os blocos fundamentais da vida.
David Baker, da Universidade de Washington, foi reconhecido pelo seu trabalho inovador no design computacional de proteínas, que levou à criação de proteínas completamente novas, não encontradas na natureza [1], com aplicações que vão desde produtos farmacêuticos até nanomateriais. Demis Hassabis e John M. Jumper, da Google DeepMind, foram reconhecidos pelo desenvolvimento revolucionário do AlphaFold2 [2], um modelo de IA que prevê com precisão as estruturas de proteínas, resolvendo um problema complexo que intrigou biólogos durante décadas.
Compreender as proteínas é crucial, pois elas são as máquinas moleculares que impulsionam todos os processos essenciais no nosso corpo. Imagine as proteínas como pequenos motores versáteis que, além de construir e reparar tecidos, funcionam como hormonas, enzimas e anticorpos, assegurando a nossa saúde e vitalidade. As inovações de Baker e o poder preditivo do AlphaFold2 abriram vastas possibilidades para decifrar as estruturas e funções das proteínas. Os cientistas usam estes avanços para desenvolver novos medicamentos, criar materiais inovadores e até enfrentar desafios ambientais, como a poluição por plásticos. O AlphaFold2, em particular, tem sido usado globalmente para compreender a resistência aos antibióticos e desenvolver enzimas que podem decompor plásticos, demonstrando o imenso potencial destas descobertas para a humanidade.
À medida que olhamos para o futuro, a influência da IA nas nossas vidas diárias deverá crescer significativamente, prometendo transformar a sociedade para melhor. No CICECO, estamos comprometidos em estar na vanguarda desta transição, trabalhando ativamente no design de materiais inovadores utilizando tecnologias de IA. Recentemente, organizámos um painel de especialistas para discutir estes avanços e os seus potenciais impactos. Se perdeu, pode acompanhar as discussões perspicazes assistindo ao vídeo abaixo:
https://www.youtube.com/watch?v=pdimP0rVFpg&list=PLl57eQK6k-zVlsiUZn5VH4K0wCfAw60Ns
https://www.ciceco.ua.pt/?language=eng&menu=628&tabela=geral
References
[1] M. Baek, F. DiMaio, I. Anishchenko, J. Dauparas, S. Ovchinnikov, G.R. Lee, J. Wang, Q. Cong, L.N. Kinch, R.D. Schaeffer, C. Millán, H. Park, C. Adams, C.R. Glassman, A. DeGiovanni, J.H. Pereira, A. V. Rodrigues, A.A. van Dijk, A.C. Ebrecht, D.J. Opperman, T. Sagmeister, C. Buhlheller, T. Pavkov-Keller, M.K. Rathinaswamy, U. Dalwadi, C.K. Yip, J.E. Burke, K.C. Garcia, N. V. Grishin, P.D. Adams, R.J. Read, D. Baker, Accurate prediction of protein structures and interactions using a three-track neural network, Science. 373 (2021) 871–876. https://doi.org/10.1126/science.abj8754.
[2] J. Jumper, R. Evans, A. Pritzel, T. Green, M. Figurnov, O. Ronneberger, K. Tunyasuvunakool, R. Bates, A. Žídek, A. Potapenko, A. Bridgland, C. Meyer, S.A.A. Kohl, A.J. Ballard, A. Cowie, B. Romera-Paredes, S. Nikolov, R. Jain, J. Adler, T. Back, S. Petersen, D. Reiman, E. Clancy, M. Zielinski, M. Steinegger, M. Pacholska, T. Berghammer, S. Bodenstein, D. Silver, O. Vinyals, A.W. Senior, K. Kavukcuoglu, P. Kohli, D. Hassabis, Highly accurate protein structure prediction with AlphaFold, Nature. 596 (2021) 583–589. https://doi.org/10.1038/s41586-021-03819-2.
Dinis Abranches (Department of Chemistry and CICECO - Institute of Materials of Aveiro, University of Aveiro)
Albano Neto (Department of Physics and CICECO - Institute of Materials of Aveiro, University of Aveiro
