Métodos Generativos Condicionais em Inteligência Artificial Combinada à Simulação Molecular para Compreender e Desenhar Biomoléculas

• Processo: 24/13657-2
• Modalidade de apoio: Bolsas no Exterior - Pesquisa
• Data de Início da vigência: 15 de julho de 2025
• Data de Término da vigência: 14 de julho de 2026
• Área de conhecimento: Ciências Biológicas - Biofísica - Biofísica Molecular
• Pesquisador responsável: Guilherme Menegon Arantes
• Beneficiário: Guilherme Menegon Arantes
• Pesquisador Anfitrião: Sergey Ovchinnikov
• Instituição Sede: Instituto de Química (IQ). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Instituição Anfitriã: Massachusetts Institute of Technology (MIT), Estados Unidos
• Assunto(s): Simulação de dinâmica molecular Inteligência artificial Modelagem molecular
• Palavra(s)-Chave do Pesquisador: Design de proteínas | Dinâmica Molecular | Inteligência Artificial | Modelagem molecular | Previsão de estrutura de proteínas | Redes Neurais Profundas | Biofísica Computacional

Resumo

Métodos de inteligência artificial (IA) revolucionaram áreas como processamento de linguagem, síntese de imagens e predição de estruturas biomoleculares. Modelos de IA generativa mostraram grande potencial no design de biomoléculas com propriedades e estruturas específicas, aplicáveis na descoberta de medicamentos, engenharia de enzimas, biologia sintética e áreas afins. Um grande desafio no design biomolecular é equilibrar a integridade estrutural com as propriedades funcionais desejadas. A combinação de modelos generativos de IA com técnicas de simulação molecular baseadas em física pode fornecer métodos de design mais eficientes e úteis, assim como criar novas ferramentas para compreender os mecanismos moleculares na biofísica.Aqui, propomos investigar abordagens atuais para otimização multi-objetivo guiada por estrutura usando métodos de IA generativa, como alucinação e modelos de difusão. Exploraremos como as informações das simulações moleculares de caminhos de reação química, obtidas com potenciais híbridos de mecânica quântica/mecânica molecular (QM/MM), e de amostragem conformacional, obtidas com trajetórias de dinâmica molecular clássica (MD), podem ser integradas nos fluxos de treinamento e inferência para garantir que as moléculas geradas exibam estruturas realistas e estáveis, atendendo às propriedades físico-químicas e funcionais desejadas.Esta proposta será realizada em colaboração com o Prof. Sergey Ovchinnikov e seu grupo de pesquisa no Departamento de Biologia do Massachusetts Institute of Technology (MIT), EUA, durante a visita sabática do proponente. O Prof. Ovchinnikov é um líder em design de proteínas, com trabalhos pioneiros em predição de estruturas usando informações evolutivas e em métodos de alucinação. A interação com seu grupo, com o corpo docente do MIT e outros grupos de pesquisa, e com a comunidade de pesquisa na área de Boston será fundamental para o sucesso desta proposta.O proponente, com 20 anos de experiência em simulação molecular e trabalho pioneiro em métodos híbridos QM/MM, lidera o grupo de Bioquímica e Biofísica Computacionais na USP. Esta proposta visa integrar técnicas de predição estrutural biomolecular e IA generativa na expertise de seu grupo. Esses métodos serão aplicados em um Projeto Temático recentemente submetido à FAPESP pelo proponente. Considerando o impacto transformador da IA, antecipamos que estas propostas trarão avanços significativos na pesquisa e inovação científica, com um papel de liderança em IA e ganhos gerais para o Estado de São Paulo.