Ferramentas de design de proteínas com IA para biólogos do mundo todo
A inteligência artificial já mostrou que consegue acelerar o desenvolvimento de medicamentos e aprofundar o entendimento de várias doenças. Mas para que essa revolução saia do papel e vire terapia de verdade, é essencial colocar os modelos mais avançados diretamente nas mãos de quem está na bancada: os cientistas de laboratório, e não só os especialistas em machine learning.
É exatamente aí que entra a OpenProtein.AI, uma empresa que criou uma plataforma no-code para design de proteínas guiado por IA. A proposta é permitir que biólogos e pesquisadores usem modelos de base poderosos para projetar proteínas, prever estrutura e função e até treinar modelos próprios, sem precisar escrever uma linha de código ou montar uma infraestrutura pesada de computação.
A companhia foi fundada por Tristan Bepler, PhD pelo MIT em 2020, e por Tim Lu, ex-professor associado do MIT e PhD pela mesma instituição em 2007. Hoje, a plataforma da OpenProtein.AI já é usada por equipes de farmacêuticas e biotechs de vários portes, além de estar disponível gratuitamente para cientistas da academia, o que ajuda a reduzir a distância entre pesquisa de ponta e quem realmente está explorando novos alvos terapêuticos.
Segundo Bepler, o momento é especialmente empolgante porque esses modelos não só tornam a engenharia de proteínas mais eficiente – encurtando ciclos de desenvolvimento para terapias e aplicações industriais – como também ampliam a capacidade de criar proteínas inéditas, com características específicas desenhadas sob medida. A visão de longo prazo vai além de proteínas: a empresa já pensa em aplicar abordagens parecidas a outros tipos de moléculas, construindo um tipo de linguagem formal para descrever sistemas biológicos complexos.
Do MIT à OpenProtein.AI: como a IA virou linguagem para proteínas
A história da OpenProtein.AI começa em 2014, quando Tristan Bepler entra no programa de doutorado em Computational and Systems Biology do MIT, orientado por Bonnie Berger, uma das referências em matemática aplicada à biologia. Foi ali que ele percebeu uma limitação séria: ainda entendemos pouco demais sobre as moléculas que formam a base da vida para construir bons modelos preditivos sobre elas.
Na prática, isso significava que ainda era difícil prever, com segurança, como um circuito genômico completo iria se comportar ou como uma rede de interação de proteínas reagiria a mudanças. Essa lacuna despertou em Bepler o interesse por estudar proteínas em um nível bem mais fino, conectando sequência, estrutura e função com o apoio de IA.
Durante o doutorado, ele começou a usar dados evolutivos para tentar prever cadeias de aminoácidos que formam proteínas, antes mesmo do surgimento do AlphaFold, modelo do Google DeepMind que hoje é referência em predição de estrutura de proteínas. Esse trabalho levou a um dos primeiros modelos generativos focados em entender e projetar proteínas. A equipe passou a chamar esse tipo de sistema de modelo de linguagem de proteínas, porque ele trata sequências de aminoácidos de forma parecida com o que um modelo de linguagem faz com texto.
O grande desafio que guiava o projeto era simples de formular, mas nada trivial de resolver: se sabemos que a função da proteína depende de sua sequência e estrutura, seria possível usar modelos de base para pular a etapa explícita de estrutura e ir direto de sequência para função? Essa linha de pesquisa pavimentou o caminho para a OpenProtein.AI.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
Depois de defender o doutorado em 2020, Bepler entrou como pós-doc no laboratório de Tim Lu, no Departamento de Engenharia Biológica do MIT. Na época, a ideia de integrar IA e biologia começava a ganhar força de verdade. No grupo de Lu, Bepler ajudou a desenvolver modelos computacionais melhores para o design de biológicos, mostrando, na prática, que havia um descompasso: os modelos mais avançados estavam disponíveis, mas muitos biólogos não conseguiam usar porque não sabiam programar ou não tinham acesso a infraestrutura de GPU.
Daí nasce o conceito central da OpenProtein.AI: criar uma plataforma que aproxima os modelos de IA dos biólogos, em vez de obrigar os biólogos a se tornarem experts em IA.
Plataforma no-code para engenharia de proteínas com IA
A OpenProtein.AI foi pensada desde o início como um ambiente de machine learning in-the-loop para engenharia de proteínas. Em vez de um pacote de scripts e bibliotecas soltas, a empresa desenvolveu uma plataforma completa, com interface web intuitiva, que permite:
- Upload de dados de sequências, medições experimentais e bibliotecas de variantes;
- Treinamento de modelos específicos usando dados do próprio laboratório do usuário;
- Geração de novas sequências de proteínas em grande escala, em silico;
- Predição de estrutura e função com base em modelos de linguagem de proteínas e modelos estruturais;
- Análise comparativa de variantes para priorizar quais devem ir para validação em bancada.
O usuário não interage com linhas de comando, clusters ou scripts complexos. Em vez disso, ele trabalha com fluxos guiados, parâmetros claros e resultados visualizados de forma amigável. Para quem prefere código, a empresa também oferece APIs para integração direta com pipelines personalizados, mas essa parte é opcional.
Uma das peças centrais da plataforma é o PoET (Protein Evolutionary Transformer), o modelo de linguagem de proteínas desenvolvido internamente pela OpenProtein.AI. O PoET foi treinado em grupos de proteínas relacionadas evolutivamente, o que permite ao modelo:
- Capturar restrições evolutivas importantes para a estabilidade e função;
- Gerar conjuntos de proteínas aparentadas, não apenas variações aleatórias;
- Incorporar novos dados experimentais sem precisar ser totalmente re-treinado, atualizando seu entendimento a partir de resultados de bancada.
Na prática, isso significa que pesquisadores podem usar seus próprios dados para refinar o modelo, otimizar sequências para determinada função e, em seguida, usar as outras ferramentas da plataforma para aprofundar a análise. É comum ver grupos gerando bibliotecas inteiras de sequências virtualmente, passando tudo por preditores de função e estrutura, e só depois selecionar um subconjunto enxuto de candidatos para teste experimental.
Esse ciclo reduz custos, tempo e também frustração, porque o laboratório passa a gastar recursos principalmente com candidatos mais promissores. Além disso, é possível partir de uma proteína de interesse e pedir ao modelo que gere novas variantes com propriedades semelhantes ou aprimoradas, o que ajuda tanto em projetos terapêuticos quanto em aplicações industriais.
Uma caixa de ferramentas aberta para diferentes tipos de proteína
Um aspecto que a equipe da OpenProtein.AI faz questão de destacar é que sua plataforma foi construída como um conjunto de ferramentas abertas e flexíveis, e não como um pipeline engessado para um único tipo de proteína ou função. A ideia é dar suporte desde enzimas industriais até anticorpos terapêuticos, passando por proteínas de sinalização e outras classes.
Os modelos da empresa são treinados para entender proteínas de forma ampla, ou seja, eles aprendem sobre o espaço completo de sequências possíveis, não apenas sobre famílias muito específicas. Isso permite workflow mais exploratório, em que o usuário pode testar hipóteses mais ousadas, tentar combinações incomuns de domínios ou abordar alvos ainda pouco estudados.
Ao mesmo tempo, essa abordagem aberta não exclui casos de uso bem direcionados. Laboratórios podem configurar fluxos focados em:
- Aumentar a estabilidade térmica ou em pH extremo;
- Reduzir imunogenicidade em aplicações humanas;
- Melhorar a afinidade por um receptor específico;
- Criar proteínas com funções múltiplas, como moléculas que mudam de comportamento após se ligar a um alvo.
Essa flexibilidade é importante porque a fronteira da biotecnologia está migrando justamente para terapias mais complexas, lógicas de proteína mais sofisticadas e sistemas dinâmicos que respondem de forma condicionada ao ambiente celular.
Parcerias na indústria farmacêutica e avanço do PoET-2
O impacto da plataforma não ficou restrito à academia. Em 2025, a grande farmacêutica Boehringer Ingelheim começou a usar as ferramentas da OpenProtein.AI em seus projetos internos. A parceria evoluiu a ponto de as duas empresas anunciarem uma colaboração ampliada, na qual a plataforma e os modelos da OpenProtein.AI passam a ser embutidos diretamente nos fluxos de trabalho da Boehringer para engenharia de proteínas voltadas a doenças como câncer, condições autoimunes e inflamatórias.
Esse movimento mostra como a indústria está adotando, de fato, modelos de IA de última geração para redesenhar suas pipelines de descoberta e otimização de biológicos.
Além disso, a OpenProtein.AI lançou recentemente uma nova geração do seu modelo, o PoET-2. Essa versão consegue superar modelos muito maiores, usando apenas uma fração dos recursos computacionais e dos dados experimentais necessários para treinar. Em outras palavras, o PoET-2 foi desenhado para ser mais eficiente e acessível, algo crucial em um cenário em que o custo de treinar grandes modelos de IA cresce rápido.
Entre as perguntas que guiam o desenvolvimento do PoET-2, estão algumas bem fundamentais para quem trabalha com proteínas:
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
- Como descrever de forma precisa as restrições que definem uma proteína funcional?
- Qual linguagem específica podemos usar para representar essas limitações estruturais e funcionais?
- Como incorporar ainda mais informações evolutivas no processo de geração de sequências?
- Como representar reações enzimáticas de maneira que um modelo consiga criar sequências capazes de realizar exatamente essas reações?
Essas questões apontam para um objetivo claro: construir uma linguagem formal para proteínas, rica o suficiente para orientar modelos de IA na criação de sequências que não apenas parecem plausíveis, mas que realizam funções bioquímicas úteis no mundo real.
O próximo passo: proteínas dinâmicas e múltiplos mecanismos
O foco atual de muitos grupos de pesquisa, incluindo os ligados à OpenProtein.AI, está em ir além da simples previsão de eventos de ligação ou funções estáticas. A visão de futuro é usar esses modelos para projetar proteínas dinâmicas, capazes de:
- Interagir com dois, três ou mais mecanismos biológicos ao mesmo tempo;
- Mudar de função depois de se ligar a determinado alvo;
- Atuar como componentes de lógica molecular, respondendo de maneira condicional a sinais do ambiente celular.
Tim Lu, que hoje atua como conselheiro da empresa, destaca que essa transição exige modelos que considerem não só o estado estático de uma proteína, mas como ela se comporta ao longo do tempo, em diferentes contextos celulares e em redes de interação complexas. Isso amplia bastante o desafio computacional, mas também abre portas para terapias mais inteligentes e personalizadas.
A importância do acesso aberto em IA aplicada à biologia
À medida que os modelos de IA ficam maiores, mais sofisticados e mais caros de treinar, cresce também o risco de que eles se tornem recursos concentrados nas mãos de poucos players com grande poder financeiro. Para o campo científico, isso seria um problema sério: boa parte das descobertas em biologia ainda nasce em universidades, laboratórios públicos e grupos menores de pesquisa.
Por isso, a OpenProtein.AI reforça a importância de manter um ecossistema aberto em IA e biologia, em que pelo menos uma parte significativa das ferramentas, modelos e infraestruturas fique acessível para a comunidade científica mais ampla. A oferta da plataforma sem custo para pesquisadores acadêmicos segue exatamente essa linha.
Conforme os projetos crescem em complexidade – incorporando lógica de proteínas, terapias dinâmicas e sistemas que respondem a múltiplos sinais de forma coordenada – os conjuntos experimentais tradicionais começam a mostrar seus limites. Ter modelos robustos, bem treinados e acessíveis ajuda a compensar essas restrições e permite que mais grupos contribuam com dados, hipóteses e validações.
Ao integrar IA, engenharia de proteínas e ferramentas de uso simples, a OpenProtein.AI ilustra bem um caminho possível para o futuro da biologia computacional: em vez de separar quem programa de quem pipeta, juntar os dois mundos em uma plataforma que conversa bem com ambos, acelerando o surgimento da próxima geração de terapias e aplicações biotecnológicas.
