Pílula 14 · Módulo 1
AlphaFold
O sistema do DeepMind que prevê a estrutura 3D de proteínas pela sequência de aminoácidos. As três versões, o salto de escala e por que é hipótese, não laudo.
Xdiag® Tecnologias
Módulo 1 · 2026
Pílula de Conhecimento
AlphaFold
Google DeepMind · Nobel de Química 2024 · Hassabis & Jumper
🧬 50 anos de problema. Resolvido em meses.
O que é
Sistema de IA do Google DeepMind que prevê, com precisão atômica, a estrutura tridimensional de uma proteína a partir apenas de sua sequência de aminoácidos. Resolveu em meses um problema que a biologia molecular tentou resolver por mais de 50 anos.
As 3 versões + limitações — toque para explorar
IA na Medicina — ICS & Xdiag®xdiag.com.br
Xdiag® Tecnologias
Pílula de Conhecimento — Módulo 1
AlphaFold:
50 anos de problema, resolvido em meses
50 anos de problema, resolvido em meses
Por que o problema era difícil
Toda proteína é uma cadeia linear de aminoácidos. Mas a função biológica depende não da sequência linear, e sim da forma 3D que ela assume ao se dobrar. Essa forma define quais moléculas ela vai ligar, qual reação vai catalisar, qual receptor vai ativar.
O problema: dada uma sequência de aminoácidos, prever a forma 3D resultante é matematicamente intratável por força bruta — o número de conformações possíveis cresce exponencialmente com o tamanho da proteína. Antes do AlphaFold, descobrir a forma exigia cristalografia de raios-X (meses a anos por proteína) ou crio-microscopia eletrônica (equipamento de elite). Em cinco décadas, a ciência resolveu cerca de 200 mil estruturas.
AlphaFold resolveu 200 milhões em meses. Multiplicou a base de conhecimento estrutural da biologia por 1000.
Como funciona — a base técnica
O AlphaFold 2 usa uma arquitetura chamada Evoformer — um módulo que processa em paralelo dois canais: a sequência da própria proteína e o alinhamento de sequências evolutivamente relacionadas. Aminoácidos que coevoluíram ao longo de milhões de anos tendem a estar próximos no espaço 3D — é uma assinatura biológica que o modelo aprende a explorar.
O mecanismo de atenção é similar ao que sustenta os LLMs como ChatGPT e Claude — mas adaptado para grafos de resíduos proteicos. O modelo revisa sua própria predição em ciclos sucessivos, refinando a estrutura. Tudo isso treinado via backpropagation em GPUs NVIDIA®, sobre o banco Protein Data Bank com ~170 mil estruturas experimentais.
A mesma base técnica do Deep Learning que aprendemos — redes neurais, backpropagation, GPU, Big Data — é o que move o AlphaFold.
A escala do impacto
Comparação de escala
~200k
estruturas proteicas resolvidas por cristalografia em 5 décadas de ciência
~200M
estruturas previstas pelo AlphaFold e disponibilizadas gratuitamente — em meses
Um pesquisador em qualquer país, com acesso à internet, tem hoje em segundos o que um grupo bem equipado levava 1-2 anos para entregar.
Aplicações médicas concretas
Descoberta de fármacos
Estrutura de proteínas patogênicas prevista em horas acelera busca por sítios de ligação e triagem de inibidores.
Variantes genéticas
Para uma variante de significância incerta (VUS), AlphaFold prevê se a mudança altera a estrutura — distinguindo benigno de patogênico in silico.
Vacinas
Pipelines pós-COVID-19 usam predição estrutural para otimizar antígenos antes da síntese. Moderna® já usou em desenvolvimento.
Doenças raras
Oncogenética, farmacogenômica e doenças raras ganham dados estruturais individualizáveis a partir do exoma do paciente.
Versões — a evolução do sistema
| Versão | Ano | Contribuição central | Impacto |
|---|---|---|---|
| AlphaFold 1 | 2018 | CNNs para prever distâncias entre resíduos | Prova de conceito · CASP13 |
| AlphaFold 2 | 2020 | Evoformer + atenção + MSA evolutivo | Nobel 2024 · precisão atômica |
| AlphaFold 3 | 2024 | Complexos, ligantes, DNA, RNA, modificações pós-traducionais | Design de fármacos completo |
⚠️ AlphaFold é hipótese — não diagnóstico
Para decisão clínica de alto impacto — como prescrição de terapia-alvo baseada em predição estrutural — AlphaFold é ponto de partida, não conclusão. Regiões desordenadas têm baixa confiança (score pLDDT baixo = zona de incerteza). Conformações dinâmicas seguem demandando experimentação. A cristalografia e a crio-EM continuam sendo padrão-ouro para confirmação. O Médico Curador lê o score antes de citar o resultado.
"AlphaFold é o caso clínico-mor da IA na medicina: o exemplo mais limpo de que Deep Learning, rodando em GPUs NVIDIA®, não é hype — é infraestrutura científica que já mudou a base de conhecimento biomédico."
— ICS & Xdiag® · IA na Medicina · Módulo 1 · 2026
Referências
1. Jumper J et al. Highly accurate protein structure prediction with AlphaFold. Nature. 2021;596:583–589.
2. Abramson J et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature. 2024;630:493–500.
3. Nobel Prize in Chemistry 2024. The Royal Swedish Academy of Sciences. nobelprize.org, 2024.
4. ICS & Xdiag Tecnologias. IA na Medicina: O Método Prático para o Médico Moderno — Módulo 1. 2026.
IA na Medicina — ICS & Xdiag®xdiag.com.br