AlphaFold: inteligência artificial na predição estrutural de proteínas

Por Rafael Ris-Ala

A Inteligência Artificial tem ultrapassado as aplicações mais conhecidas do público, como geração de textos e imagens, e contribuído para novos avanços científicos. Na biologia, modelos de IA têm ajudado pesquisadores a enfrentar problemas que durante décadas exigiram experimentos complexos, caros e demorados. Um dos exemplos mais marcantes é a predição da estrutura tridimensional de proteínas, fundamental para compreender seu funcionamento e apoiar pesquisas sobre doenças e novos medicamentos.

A importância desses avanços foi reconhecida internacionalmente com o Prêmio Nobel de Química de 2024. O prêmio foi concedido a: David Baker pelo design computacional de proteínas, incluindo a plataforma RoseTTAFold; e a Demis Hassabis e John Jumper pela predição de estruturas de proteínas com Inteligência Artificial, trabalho que resultou no AlphaFold (Ris-Ala, 2023; The Nobel Prize, 2024). Esse reconhecimento mostra como a Engenharia de Software está transformando áreas como a medicina.

Conhecer a estrutura tridimensional de uma proteína permite aos cientistas compreender sua função. No entanto, determinar essa estrutura é um problema complexo. Desde a década de 1960, a determinação da estrutura tridimensional de proteínas dependeu de técnicas caras e demoradas, como cristalografia de raios X e, mais tarde, ressonância magnética nuclear e criomicroscopia eletrônica. Embora muito precisas, essas técnicas nem sempre funcionam para todas as proteínas.

O AlphaFold é um sistema de inteligência artificial que prevê a estrutura tridimensional de proteínas a partir de sua sequência de aminoácidos. A estrutura prevista pode ajudar os pesquisadores a identificar regiões importantes da proteína, como sítios ativos (binding pockets – bolsos de ligação), nos quais outras moléculas podem se encaixar e regular (ativando ou inibindo) a atividade da proteína-alvo.

O nome AlphaFold faz referência ao problema de protein folding (dobramento de proteínas), isto é, à previsão de como uma sequência de aminoácidos se organiza em uma estrutura tridimensional. O AlphaFold utiliza um modelo de aprendizado profundo para reconhecer padrões aprendidos a partir de milhares de estruturas depositadas no Protein Data Bank (PDB) e de sequências de proteínas semelhantes obtidas em bancos de dados biológicos. Ao comparar essas sequências por meio de alinhamentos múltiplos de sequências (Multiple Sequence Alignment – MSA), o algoritmo identifica pares de aminoácidos que tendem a sofrer mutações em conjunto ao longo da evolução. Como esses resíduos geralmente precisam permanecer próximos para manter a estrutura e a função da proteína, o modelo estima quais aminoácidos estarão próximos no espaço, suas distâncias e orientações relativas. A partir dessas restrições espaciais, o sistema constrói a conformação tridimensional mais provável da proteína, compatível com os padrões estruturais observados em proteínas reais.

Durante a pandemia de COVID-19, técnicas experimentais, como a microscopia crioeletrônica (cryo-EM), foram utilizadas para determinar a estrutura da proteína Spike do vírus SARS-CoV-2. O AlphaFold, por sua vez, poderia complementar esses estudos ao prever regiões ainda não determinadas e fornecer modelos para análises.

O SARS-CoV-2 produz cerca de 29 proteínas. A proteína Spike foi priorizada porque já se sabia, por estudos com outros coronavírus e experimentos iniciais, que ela é a proteína responsável por se ligar ao receptor ACE2 e mediar a entrada do vírus nas células, tornando-se um alvo preferencial dos cientistas para o bloqueio da infecção. O ACE2 é uma enzima presente na superfície de diversas células que regula a pressão arterial.

A disponibilidade de estruturas preditas pelo AlphaFold ampliou as aplicações de Structure-Based Drug Design (SBDD), permitindo a identificação de bolsos de ligação e a triagem de moléculas (Stecula et al., 2023; Chakraborty, Bhattacharya and Lee, 2026). A Figura 1 apresenta o Processo de Structure-Based Drug Design com o AlphaFold.

Figura 1: Processo de Structure-Based Drug Design com o AlphaFold.

A aplicação do AlphaFold na pesquisa biomédica pode ser compreendida em 5 passos do SBDD:

1. Os cientistas sequenciam o genoma do vírus;
2. A partir da sequência do DNA/RNA, identificam as proteínas que ele produz (codifica);
3. Com a sequência de aminoácidos da proteína, o AlphaFold prediz como essa sequência se dobra no espaço, gerando um modelo da sua estrutura tridimensional.
4. Com a estrutura da proteína em mãos, os pesquisadores procuram ou projetam com o AlphaFold moléculas candidatas capazes de se ligar via acoplamento molecular (molecular docking), a regiões específicas da proteína-alvo para bloquear sua função e impedir a infecção.
5. Depois de encontrar uma molécula que se liga bem à proteína-alvo, ela passa por uma avaliação de seletividade e de segurança da molécula, que é feita por outras ferramentas e, principalmente, por experimentos em laboratório e ensaios clínicos. A molécula candidata é testada computacionalmente e experimentalmente contra centenas de proteínas humanas para verificar se também se liga a elas, o que poderia causar efeitos fora do alvo (efeitos off-target).

O trabalho publicado por Jumper et al. (2021) na revista Nature marcou um dos maiores avanços da biologia computacional nas últimas décadas. Nesse estudo, os autores apresentaram o AlphaFold2. O desempenho do modelo foi demonstrado na competição internacional CASP14 (Critical Assessment of Protein Structure Prediction), na qual superou amplamente os métodos anteriores de predição estrutural. Esse avanço acelerou pesquisas em biologia estrutural, desenvolvimento de fármacos, engenharia de proteínas e estudo de doenças, reduzindo significativamente o tempo necessário para obter modelos estruturais de proteínas.

Esse prêmio Nobel evidencia o impacto de tecnologias de IA na biologia, na descoberta de novos fármacos, na engenharia de proteínas e na compreensão dos mecanismos moleculares envolvidos em processos biológicos e epidemiológicos.

Hoje, o AlphaFold é usado por mais de 3 milhões de pesquisadores em mais de 190 países. A forma mais comum de usar o AlphaFold é pela plataforma online AlphaFold Server, onde o pesquisador envia a sequência da proteína e recebe a estrutura prevista sem precisar instalar nada.

Na prática, o pesquisador acessa a plataforma AlphaFold Server, fornece a sequência de aminoácidos da proteína de interesse, a plataforma gera um modelo tridimensional da proteína acompanhado de indicadores de confiança da predição. Esse modelo pode então ser utilizado para identificar os sítios ativos, orientar experimentos e apoiar estudos de interação molecular.

As tecnologias para a produção de proteínas

A proteína candidata é predita pelo AlphaFold, mas sua produção ocorre por um mecanismo biológico ou químico. Na via biológica, uma bactéria é projetada por engenharia genética para expressar essa proteína, que segue para posterior purificação. Na via química, a produção pode ser realizada por mecanismos como a síntese de peptídeos em fase sólida (solid-phase peptide synthesis – SPPS): a proteína é construída ligando aminoácidos um a um, por meio da formação de ligações peptídicas entre eles. A SPPS foi criada por Robert Bruce Merrifield em 1963; o trabalho lhe rendeu o Prêmio Nobel de Química 40 anos antes do AlphaFold, em 1984 The Nobel Prize, 1984).

No caso da COVID-19, a proteína da vacina funcionava como um antígeno, ensinando o sistema imunológico a reconhecer a proteína Spike e gerar uma resposta contra o SARS-CoV-2. Nesse caso, os antígenos serviram para induzir a produção natural de anticorpos neutralizantes anti-Spike. Essa é uma imunização ativa, pois tem o objetivo de induzir uma resposta do próprio sistema imunológico, incluindo a produção de anticorpos.

De outra forma, poderia ser realizada uma imunização passiva, caso fossem aplicados diretamente os anticorpos. Um exemplo clássico é a produção do soro antitetânico, no qual os anticorpos são extraídos a partir do sangue de cavalos imunizados e posteriormente purificados. Assim os anticorpos podem ser administrados diretamente em um paciente para fornecer imunidade passiva.

Nesse sentido, ferramentas de IA, como o AlphaFold, estão revolucionando a área médica ao determinar a estrutura de proteínas potencialmente capazes de serem reconhecidas pelo sistema imunológico.

Referências

CHAKRABORTY C, Bhattacharya M and Lee S-S (2026) The transformative impact of AI-enabled AlphaFold 3: evolution, current status, and future prospects in structural biology. Front. Artif. Intell. 9:1739303. doi: 10.3389/frai.2026.1739303

JUMPER, J.; EVANS, R.; PRITZEL, A. et al. Highly accurate protein structure prediction with AlphaFold. Nature, v. 596, p. 583–589, 2021. DOI: 10.1038/s41586-021-03819-2.

RIS-ALA, Rafael. Fundamentals of Reinforcement Learning. Cham: Springer Nature Switzerland; 2023. doi: 10.1007/978-3-031-37345-9

STECULA, A, Paul R, Litchfield K, Dalton SE, Low CMR, Reis CR, Congreve M. The rise of AlphaFold in drug design. Prog Med Chem. 2025; 64:99-147. doi: 10.1016/bs.pmch.2025.09.002. Epub 2025 Oct 16. PMID: 41130640.

THE NOBEL PRIZE. The Nobel Prize in Chemistry 1984. Stockholm: The Nobel Foundation, 1984. Disponível em: https://www.nobelprize.org/prizes/chemistry/1984/. Acesso em: 5 ago. 2026

THE NOBEL PRIZE. The Nobel Prize in Chemistry 2024. Stockholm: The Nobel Foundation, 2024. Disponível em: https://www.nobelprize.org/prizes/chemistry/2024/. Acesso em: 5 ago. 2026

Sobre o autor

Rafael Ris-Ala é professor, pesquisador e autor na Springer Nature na área de Engenharia de Software. Atua principalmente em Inteligência Artificial e Grandes Modelos de Linguagem (Large Language Models – LLMs). Atualmente, desenvolve pesquisas em Inteligência Artificial no doutorado realizado em cotutela entre a Universidade Federal do Rio de Janeiro (UFRJ) e a Universidade de Trás-os-Montes e Alto Douro (UTAD), em Portugal, além de atuar como pesquisador no INESC TEC. É autor dos livros Fundamentos de Aprendizagem por Reforço e Metodologia de Pesquisa em Engenharia de Software, este último indicado ao Prêmio Jabuti Acadêmico. Dedica-se especialmente a aproximar o ensino da aplicação prática, discutindo não apenas o que pode ser construído com Inteligência Artificial, mas também como essas tecnologias se comportam e quais impactos podem trazer para a sociedade. Mais recentemente, tem investigado vieses cognitivos em LLMs e os riscos de seu uso em sistemas de apoio à decisão, trabalho que recebeu o prêmio de Melhor Artigo da conferência CSCWD/IEEE em 2026. Sua visão sobre ciência envolve a formação de novos pesquisadores e a contribuição para uma perspectiva mais crítica, responsável e humana da tecnologia.

Agradecimentos

Esse artigo é resultado de muita discussão com discentes, docentes e pesquisadores da Universidade Federal do Rio de Janeiro (UFRJ), da Universidade de Trás-os-Montes e Alto Douro (UTAD) e do Instituto de Engenharia de Sistemas e Computadores, Tecnologia e Ciência (INESC TEC), além do aprendizado com toda a equipe da SBC Horizontes!

Como citar essa matéria

RIS-ALA, Rafael. AlphaFold: inteligência artificial na predição estrutural de proteínas. SBC Horizontes. ISSN 2175-9235. 23 de agosto de 2026. Disponível em: https://horizontes.sbc.org.br/index.php/2026/08/alphafold. Acesso em: dd mês aaaa.