Novo modelo de IA pode reduzir custos no desenvolvimento de fármacos proteicos

Pesquisadores do MIT usaram um modelo de linguagem grande para otimizar códons no genoma da levedura industrial Komagataella phaffii, visando aumentar a eficiência de produção de proteínas.
O objetivo é reduzir custos de desenvolvimento e fabricação de biológicos, incluindo vacinas e biotecnológicos, ao tornar o processo menos dependente de experimentos manuais.
O modelo foi treinado para entender a “língua” dos códons usados pela levedura e prever quais sequências de DNA geram maior produção de proteínas específicas.
Em seis proteínas testadas, as sequências otimizadas pelo modelo apresentaram melhor desempenho em cinco casos, superando quatro ferramentas comerciais de otimização de códons.
O estudo, que aparece na Proceedings of the National Academy of Sciences, também aponta que modelos específicos para cada espécie são mais precisos, e já envolve a comunidade científica com disponibilização do código.

O MIT desenvolveu um modelo de linguagem para otimizar códons de proteínas produzidas por leveduras industriais, visando reduzir custos de desenvolvimento e fabricação de biomedicamentos. O estudo usa Komagataella phaffii para melhorar a eficiência de produção de proteínas em seis alvos diferentes, incluindo hormônio de crescimento humano e um anticorpo monoclonal usado no tratamento do câncer.

A abordagem combina uma encoder-decoder de grande linguagem com dados de codons usados pela levedura. O modelo aprendeu padrões de codonização específicos de K. phaffii e previu quais códons seriam mais eficientes, aumentando a produção dos alvos em laboratório.

Os pesquisadores comparam a nova técnica com quatro ferramentas comerciais de otimização de códons. Em experimentos, as sequências otimizadas pelo modelo MIT resultaram nas melhores produções para cinco proteínas e na segunda posição para a sexta. A equipe observa melhoria na confiabilidade do processo.

Codificação genética e eficiência de produção

A levedura K. phaffii, amplamente utilizada na indústria, produz bilhões de dólares em proteínas e vacinas anualmente. O estudo analisa como ajustar a sequência de DNA para favorecer a expressão, levando em conta a disponibilidade de tRNA e padrões de uso de códons.

Entre os alvos testados estão hormônio do crescimento humano, albumina sérica humana e trastuzumabe, utilizado no tratamento de câncer. Os resultados sugerem que a IA pode tornar o desenvolvimento de biológicos mais rápido e previsível, reduzindo etapas experimentais.

O MIT planeja disponibilizar o código para outros pesquisadores interessados em K. phaffii ou em outras espécies. A abordagem também foi testada com dados de humanos e bovinos, indicando que modelos específicos por espécie podem ser necessários para otimizar códons de proteínas alvo.