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.
CESSIONÁRIA
FUNDAÇÃO OSWALDO ARANHA - FOA, mantenedora do CENTRO UNIVERSITÁRIO DE VOLTA REDONDA - UniFOA,
entidade fundacional com personalidade jurídica sem fins lucrativos de direito privado, inscrita no CNPJ sob nº 32.504.995/0001-14, com sede na Avenida Dauro Peixoto Aragão, nº 1325, bairro Três Poços, Volta Redonda – RJ, doravante denominada FOA/UniFOA.
CLÁUSULA PRIMEIRA: O CEDENTE cede e transfere gratuitamente sem direito a remuneração, reembolso ou compensação de qualquer natureza, em caráter irrevogável e irretratável à FOA/UniFOA, todos os direitos autorais (morais e patrimoniais) relativo à obra acima intitulada, tudo em conformidade com a Lei nº 9.610/98.
PARÁGRAFO PRIMEIRO: O CEDENTE desde já, declara que a obra cedida é de sua exclusiva autoria, assumindo total responsabilidade civil e penal, quanto ao conteúdo, citações e referências que fazem parte de seu conteúdo, bem como, por eventuais questionamentos judiciais ou extrajudiciais em decorrência de sua divulgação, devendo concordar inequivocamente com a exclusão da FOA/UniFOA do polo passivo de quaisquer demandas.
PARÁGRAFO SEGUNDO: O CEDENTE assume inteira responsabilidade pelos dados pessoais tratados em função da obra acima intitulada, declarando ainda que observou sempre que possível, os critérios de anonimização ou pseudonimização dos dados para publicação final pela FOA/UniFOA, de acordo com artigo 7º, IV da Lei nº 13.709/2018.
PARÁGRAFO TERCEIRO: Na hipótese de existirem na obra acima intitulada dados pessoais identificados ou identificáveis, que não passaram por processo de anonimização, o CEDENTE declara que informou e disponibilizou aos titulares/terceiros, mecanismos de exercício dos direitos previstos na Lei nº 13.709/18.
PARÁGRAFO QUARTO: Os dados pessoais identificados ou identificáveis presentes na obra acima intitulada, ficarão disponíveis após publicação pela FOA/UniFOA, nos termos do art. 16, II da Lei nº 13.709/2018.
CLÁUSULA SEGUNDA: A FOA/UniFOA fica autorizada a utilizar, reproduzir, distribuir, divulgar, disponibilizar, publicar e licenciar a obra, sob qualquer forma e por quaisquer meios admitidos em lei, inclusive em ambiente digital, observadas as políticas editoriais da instituição e as licenças de uso adotadas para a publicação.
PARÁGRAFO ÚNICO: A utilização, reprodução, divulgação, publicação, compartilhamento, licenciamento ou qualquer outra forma de exploração autorizada da obra pela FOA/UniFOA não gerará ao CEDENTE qualquer direito à remuneração, reembolso, indenização, compensação financeira, participação em receitas ou vantagem econômica de qualquer natureza, permanecendo a presente cessão e autorização em caráter integralmente gratuito.
CLÁUSULA TERCEIRA: A FOA/UniFOA fica autorizada a promover o registro da obra na forma prevista no artigo 19 da Lei nº 9.610/1998, podendo averbar a presente autorização/cessão à margem do registro a que se refere o artigo 19 da Lei nº 9.610/1998, ou não estando a obra registrada, poderá a presente cessão ser registrada em Cartório de Títulos e Documentos, em havendo necessidade.
CLÁUSULA QUARTA: O presente instrumento é firmado por prazo indeterminado.
CLÁUSULA QUINTA: O CEDENTE outorga à FOA/UniFOA, a mais plena, geral, rasa, irretratável, irrestrita e inequívoca quitação pela presente cessão e transferência dos direitos autorais da obra intitulada acima, renunciando a todo e qualquer direito porventura existente, obrigando-se em todos os seus termos e condições, por si, seus herdeiros e sucessores.
CLÁUSULA SEXTA: O CEDENTE 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;
- A obra não será impressa, salvo em casos específicos cabendo à Editora FOA a definição;
- 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 CEDENTE deverá justificar a submissão à Editora FOA, que analisará o pedido, podendo ser autorizado ou não.
CLÁUSULA SÉTIMA: A obra objeto da presente cessão poderá ser disponibilizada pela FOA/UniFOA sob a licença Creative Commons Atribuição-NãoComercial (CC BY-NC), identificada na imagem abaixo - ou outra licença que venha a ser definida pela FOA/UniFOA, observados os critérios editoriais, institucionais, científicos e os requisitos estabelecidos por bases indexadoras, repositórios acadêmicos, organismos de fomento, sistemas de divulgação científica ou demais normas aplicáveis à publicação da obra.
PARÁGRAFO ÚNICO: O CEDENTE declara estar ciente e concordar que a escolha, alteração ou atualização da licença de publicação da obra constitui prerrogativa exclusiva da FOA/UniFOA, desde que observadas as finalidades acadêmicas, científicas e institucionais da publicação.
CLÁUSULA OITAVA: O CEDENTE 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.
