A Revolução Silenciosa
como o AlphaFold redefiniu a Biologia Estrutural e abriu novas fronteiras na ciência
DOI:
https://doi.org/10.47385/cadunifoa.v20.n55.5859Palavras-chave:
AlphaFold, Biologia Estrutural, Enovelamento Proteico, Inteligência ArtificialResumo
Por meio século, a determinação da estrutura tridimensional de uma proteína a partir de sua sequência de aminoácidos representou um dos maiores desafios da biologia. A compreensão da função molecular, o desenvolvimento de fármacos e a engenharia de proteínas dependiam da superação deste obstáculo. Em 2020, o AlphaFold, um sistema de inteligência artificial desenvolvido pela DeepMind, emergiu como uma solução revolucionária, prevendo estruturas com precisão atômica até então inatingível por métodos computacionais. Esta revisão delineia a importância do problema do enovelamento de proteínas, os fundamentos conceituais do AlphaFold e seu impacto transformador. A disponibilização de centenas de milhões de estruturas através do AlphaFold DB democratizou o acesso à informação estrutural, acelerando a pesquisa em desenvolvimento de fármacos, biotecnologia e biologia fundamental. Contudo, apesar de revolucionário, o método possui limitações intrínsecas, como a predição de conformações estáticas e a incapacidade de modelar diretamente o efeito de ligantes, que exigem uma análise crítica e consciente dos seus resultados. O AlphaFold não é um ponto final, mas o início de uma nova era de "biologia digital", na qual a integração sinérgica entre a predição computacional e a validação experimental promete desvendar os mecanismos da vida em um nível de detalhe sem precedentes.
Downloads
Referências
ABRIATA, L. The Nobel Prize in Chemistry: past, present, and future of AI in biology. Communications Biology, v. 7, n. 1, p. 1409, 2024. DOI: https://doi.org/10.1038/s42003-024-07113-5
ANFINSEN, C. B. Principles that govern the folding of protein chains. Science, v. 181, n. 4096, p. 223-30, 1973. DOI: https://doi.org/10.1126/science.181.4096.223
BOUATTA, N. et al.. Protein structure prediction by AlphaFold2: are attention and symmetries all you need?. Biological Crystallography, v. 77, n. 8, p. 982-991, 2021.
CALLAWAY, Ewen. ‘It will change everything’: DeepMind’s AI makes gigantic leap in solving protein structures. Nature, v. 588, p. 203-204, 2020. DOI: https://doi.org/10.1038/d41586-020-03348-4
CASWELL, Richard C. et al. Assessing the clinical utility of protein structural analysis in genomic variant classification: experiences from a diagnostic laboratory. Genome Medicine, v. 14, n. 1, p. 77, 2022. DOI: https://doi.org/10.1186/s13073-022-01082-2
CHANG, L. et al. Revolutionizing peptide‐based drug discovery: advances in the post‐AlphaFold era. Wiley Interdisciplinary Reviews: Computational Molecular Science, v. 14, n. 1, p. e1693, 2024. DOI: https://doi.org/10.1002/wcms.1693
CHEN, L. et al. AI-driven deep learning techniques in protein structure prediction. International journal of molecular sciences, v. 25, n. 15, p. 8426, 2024. DOI: https://doi.org/10.3390/ijms25158426
CRAMER, P. AlphaFold2 and the future of structural biology. Nature structural & molecular biology, v. 28, n. 9, p. 704-705, 2021. DOI: https://doi.org/10.1038/s41594-021-00650-1
CUI, X. et al. Beyond static structures: protein dynamic conformations modeling in the post-AlphaFold era. Briefings in bioinformatics, v. 26, n. 4, p. bbaf340, 2025. DOI: https://doi.org/10.1093/bib/bbaf340
DILL, K. A.; MACCALLUM, J. L. The Protein-Folding Problem, 50 Years On. Science, v. 338, n. 6110, p. 1042-6, 2012. DOI: https://doi.org/10.1126/science.1219021
FOUDAH, A. et al. Quantum chemical optimization and residue-specific stabilization of CDK20 inhibitors in hepatocellular carcinoma. Molecular Diversity, p. 1-22, 2025. DOI: https://doi.org/10.1007/s11030-025-11339-8
GRECH, S. et al. The Role of Artificial Intelligence in Identifying NF1 Gene Variants and Improving Diagnosis. Genes, v. 16, n. 5, p. 560, 2025. DOI: https://doi.org/10.3390/genes16050560
GUAN, L.; KEATING, A. How AlphaFold and related models predict protein-peptide complex structures. bioRxiv, p. 2025.06. 18.660495, 2025. DOI: https://doi.org/10.1101/2025.06.18.660495
GUZENKO, D.; LAFITA, A.; MONASTYRSKYY, B.; KRYSHTAFOVYCH, A.; DUARTE, J. M. Assessment of protein assembly prediction in CASP13. Proteins: Structure, Function, and Bioinformatics, v. 87, n. 12, p. 1190–1199, 2019 DOI: https://doi.org/10.1002/prot.25795
JUMPER, J. et al. Highly accurate protein structure prediction with AlphaFold. Nature, v. 596, n. 7873, p. 583-9, 2021. DOI: https://doi.org/10.1038/s41586-021-03819-2
KHOURY, G. A.; BALIBAN, R. C.; FLOUDAS, C. A. Proteome-wide post-translational modification statistics: frequency analysis and curation of the swiss-prot database. Scientific reports, v. 4, n. 1, p. 1-8, 2014. DOI: https://doi.org/10.1038/srep00090
KIM, D. et al. Parametrically guided design of beta barrels and transmembrane nanopores using deep learning. BioRxiv, p. 2024.07. 22.604663, 2025. DOI: https://doi.org/10.1101/2024.07.22.604663
LAURENSON, A. et al. In Silico Prediction of Plasmodium falciparum PfRipr Epitopes as Vaccine Candidates. Journal of the Pediatric Infectious Diseases Society, v. 12, n. Supplement_1, p. S5-S6, 2023. DOI: https://doi.org/10.1093/jpids/piad070.012
LU, H. et al. Machine learning-aided engineering of hydrolases for PET degradation. Nature, v. 604, n. 7907, p. 662-7, 2022. DOI: https://doi.org/10.1038/s41586-022-04599-z
LIN, Pei-Yu et al. Analysing protein complexes in plant science: insights and limitation with AlphaFold 3. Botanical Studies, v. 66, n. 1, p. 14, 2025. DOI: https://doi.org/10.1186/s40529-025-00462-2
MOLOTKOV, I. et al. Making sense of missense: challenges and opportunities in variant pathogenicity prediction. Disease Models & Mechanisms, v. 17, n. 12, p. dmm052218, 2024. DOI: https://doi.org/10.1242/dmm.052218
MUBEEN, Hira et al. Insights into AlphaFold’s breakthrough in neurodegenerative diseases. Irish Journal of Medical Science (1971-), v. 193, n. 5, p. 2577-2588, 2024. DOI: https://doi.org/10.1007/s11845-024-03721-6
REN, F. et al. AlphaFold accelerates artificial intelligence powered drug discovery: efficient discovery of a novel CDK20 small molecule inhibitor. Chemical science, v. 14, n. 6, p. 1443-1452, 2023. DOI: https://doi.org/10.1039/D2SC05709C
RENNIE, Martin Luke; OLIVER, Michael R. Emerging frontiers in protein structure prediction following the AlphaFold revolution. Journal of the Royal Society Interface, v. 22, n. 225, p. 20240886, 2025. DOI: https://doi.org/10.1098/rsif.2024.0886
SARVEPALLI, S.; VADAREVU, S. Role of artificial intelligence in cancer drug discovery and development. Cancer Letters, p. 217821, 2025. DOI: https://doi.org/10.1016/j.canlet.2025.217821
SUN, Zheng. Generative AI in Protein Design: De novo Protein Design and Multi-Motif Scaffolding. 2025.
VARADI, M. et al. AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models. Nucleic acids research, v. 50, n. D1, p. D439-44, 2022. DOI: https://doi.org/10.1093/nar/gkab1061
WLODAWER, A. et al. Protein crystallography for non-crystallographers, or how to get the best (but not more) from published structures. The FEBS journal, v. 274, n. 19, p. 4971-85, 2008.
ZHANG, G. et al. The Role of AI-Driven De Novo Protein Design in the Exploration of the Protein Functional Universe. Biology, v. 14, n. 9, p. 1268, 2025. DOI: https://doi.org/10.3390/biology14091268
ZHAO, X. et al. AlphaFold’s Predictive Revolution in Precision Oncology. AI in Precision Oncology, v. 1, n. 3, p. 160-167, 2024. DOI: https://doi.org/10.1089/aipo.2024.0010
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Cadernos UniFOA
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Declaração de Transferência de Direitos Autorais - Cadernos UniFOA como autor(es) do artigo abaixo intitulado, declaro(amos) que em caso de aceitação do artigo por parte da Revista Cadernos UniFOA, concordo(amos) que os direitos autorais e ele referentes se tornarão propriedade exclusiva desta revista, vedada qualquer produção, total ou parcial, em qualquer outra parte ou meio de divulgação, impressa ou eletrônica, sem que a prévia e necessária autorização seja solicitada e, se obtida, farei(emos) constar o agradecimento à Revista Cadernos UniFOA, e os créditos correspondentes. Declaro(emos) também que este artigo é original na sua forma e conteúdo, não tendo sido publicado em outro periódico, completo ou em parte, e certifico(amos) que não se encontra sob análise em qualquer outro veículo de comunicação científica.
O AUTOR desde já está ciente e de acordo que:
- A obra não poderá ser comercializada e sua contribuição não gerará ônus para a FOA/UniFOA;
- A obra será disponibilizada em formato digital no sítio eletrônico do UniFOA para pesquisas e downloads de forma gratuita;
- Todo o conteúdo é de total responsabilidade dos autores na sua forma e originalidade;
- Todas as imagens utilizadas (fotos, ilustrações, vetores e etc.) devem possuir autorização para uso;
- Que a obra não se encontra sob a análise em qualquer outro veículo de comunicação científica, caso contrário o Autor deverá justificar a submissão à Editora da FOA, que analisará o pedido, podendo ser autorizado ou não.
O AUTOR está ciente e de acordo que tem por obrigação solicitar a autorização expressa dos coautores da obra/artigo, bem como dos professores orientadores antes da submissão do mesmo, se obrigando inclusive a mencioná-los no corpo da obra, sob pena de responder exclusivamente pelos danos causados.
