O AlphaFold, sistema de inteligência artificial criado pela DeepMind, conseguiu prever a estrutura de mais de 200 milhões de proteínas com precisão inédita — um avanço que rendeu o Prêmio Nobel de Química em 2024 e transformou para sempre a biologia molecular.
Neste episódio, o segundo da nossa série sobre o AlphaFold, Amira Al Dergham e Bruno Franchi exploram como esse feito foi possível. Das primeiras versões do modelo às arquiteturas de redes neurais e transformers, passando pelo impacto nas pesquisas científicas e no desenvolvimento de novos medicamentos, você vai conhecer os bastidores da tecnologia que resolveu um dos maiores desafios da ciência.
Uma história em duas partes: no episódio anterior, contamos como a comunidade científica chegou até aqui; agora, mostramos como a inteligência artificial abriu caminho para um novo futuro na biologia, na química e muito além.
Este episódio contou com o apoio da FAPESP e da Fundação Roberto Marinho.
REFERÊNCIAS
ARTIGOS CIENTÍFICOS
- AlphaFold 1:
Senior, A. W., Evans, R., Jumper, J., Kirkpatrick, J., Sifre, L., Green, T., … & Kavukcuoglu, K. (2020). Improved protein structure prediction using potentials from deep learning. Nature, 577(7792), 706–710. https://doi.org/10.1038/s41586-019-1923-7 - AlphaFold 2:
Jumper, J., Evans, R., Pritzel, A., Green, T., Figurnov, M., Ronneberger, O., … & Hassabis, D. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), 583–589. https://doi.org/10.1038/s41586-021-03819-2
(Este é o artigo citado no roteiro como tendo 30 mil+ citações). - AlphaFold Protein Structure Database:
Varadi, M., Anyango, S., Deshpande, M., Nair, S., Natassia, C., Yordanova, G., … & Velankar, S. (2022). AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models. Nucleic Acids Research, 50(D1), D439–D444. https://doi.org/10.1093/nar/gkab1061
Artigos sobre IA generativa aplicada a proteínas (RF Diffusion – David Baker)
- Watson, J. L., Juergens, D., Bennett, N. R., Trippe, B. L., Yim, J., Eisenach, H. E., … & Baker, D. (2023). De novo design of protein structure and function with RFdiffusion. Nature, 620(7976), 1089–1100. https://doi.org/10.1038/s41586-023-06415-8
Fundamentação em IA (Transformers)
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., … & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems (NeurIPS), 30. https://arxiv.org/abs/1706.03762
- Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL-HLT. https://arxiv.org/abs/1810.04805
APRESENTAÇÃO
Amira Romagnoli Al Dergham | Midialogia – Unicamp
Bruno Franchi | Física – Unicamp
ROTEIRO:
Bruno Franchi
Heitor Fasina
REVISÃO:
Victor Vicente
Leandro Tessler
COORDENAÇÃO GERAL:
Leandro Tessler
Victor Vicente
EDIÇÃO:
Aluísio Augusto
APOIO:
FAPESP [Bolsa Comunicar Ciência]
Fundação Roberto Marinho
REALIZAÇÃO:
BI0S – Brazilian Institute of Data Science | Unicamp
