Investigadores da Universidade Politécnica de Macau desenvolveram a “MCGLPPI”, uma nova metodologia para prever interações entre proteínas. Publicada na Nature Communications, uma revista científica internacional de renome, a metodologia desenvolvida com inteligência artificial oferece previsões precisas e eficientes, superando métodos tradicionais com menor custo computacional, abrindo novas vias para o design de fármacos e a investigação biomédica.
Investigadores da Universidade Politécnica de Macau (UPM) alcançaram um marco significativo na Ciência Biomédica, desenvolvendo uma nova metodologia computacional que integra a inteligência artificial para a previsão de interacções proteína-proteína (PPI). A inovação, resultante do trabalho da equipa liderada pela assistente Li Shu e pelo Professor Coordenador He Shan da Faculdade de Ciências Aplicadas (FCA) da UPM, foi publicada na revista Nature Communications.
A pesquisa aborda um desafio fundamental no panorama da biologia molecular e do desenvolvimento de fármacos. As PPI desempenham um papel central em inúmeros processos celulares, e a capacidade de prever com precisão a sua natureza é essencial para o design de novos medicamentos e para a compreensão das bases moleculares de diversas doenças.
A equipa da UPM propõe uma estrutura de aprendizagem de representação geométrica inovadora, designada “MCGLPPI”, que integra modelos moleculares de granulação grossa com redes neuronais gráficas. Esta abordagem singular permite uma previsão mais eficiente e exacta da natureza dos complexos proteína-proteína, superando as limitações de modelos existentes que se baseiam em representações mais complexas à escala atómica ou de resíduos.
A estrutura “MCGLPPI” utiliza o modelo de dinâmica molecular de granulação grossa (MARTINI), um método amplamente utilizado para simular macromoléculas biológicas. Ao combinar este modelo com redes neuronais gráficas, a equipa conseguiu manter a precisão das previsões, reduzindo simultaneamente o consumo de recursos computacionais. Os resultados demonstram que a “MCGLPPI” oferece um desempenho competitivo em relação aos métodos tradicionais, com uma redução significativa dos custos computacionais.
O estudo, apresentado no artigo científico intitulado “Integration of molecular coarse-grained model into geometric representation learning framework for protein-protein complex property prediction”, realça o potencial da “MCGLPPI” como um instrumento crucial para a investigação biomédica.
A Nature Communications, parte do Nature Publishing Group, é uma revista académica multidisciplinar de acesso aberto que publica pesquisas importantes em biologia, física, química, medicina e áreas interdisciplinares. Classificada em 5º lugar na categoria “Abrangente Global” do SCIE, sublinha a relevância e a robustez científica desta investigação.
Este projecto, financiado pelo Projecto de Investigação da UPM, representa um avanço no campo da Ciência Biomédica, com potencial para catalisar o desenvolvimento de novas terapias, na produção de fármacos e o aprofundamento da compreensão dos processos biológicos fundamentais. O artigo completo está disponível para consulta na página oficial da Nature Communications.
