As Previsões de Ligação Proteína-Ligando do AlphaFold 3 São Agora Suficientemente Precisas para Substituir o Rastreio Inicial de Fármacos

O Benchmark Que Mudou a Conversa

Em abril de 2026, um consórcio de três grupos independentes de investigação farmacêutica publicou uma avaliação conjunta das previsões de ligação proteína-ligando do AlphaFold 3, comparando-as com as suas bibliotecas internas de compostos. Os resultados, publicados na Nature Chemical Biology, revelaram que as afinidades de ligação previstas pelo AF3 apresentavam uma correlação com os valores experimentais de IC50 de 0,81 (coeficiente de Pearson) em 1.847 compostos testados — um aumento face aos 0,64 do artigo original do AF3 de 2024 e muito à frente da média de 0,51 alcançada pela geração anterior de ferramentas de docking, como o Glide e o AutoDock Vina.

Este número é relevante porque 0,80 tem sido citado informalmente entre os químicos computacionais como o limiar a partir do qual uma ferramenta preditiva se torna verdadeiramente útil para decisões de triagem — o ponto em que é possível despriorizar uma parte significativa do trabalho experimental sem aumentar de forma significativa a taxa de falsos negativos. O AlphaFold 3 acaba de o ultrapassar à escala.

O Que o AlphaFold 3 Faz de Diferente

O AlphaFold 2 centrava-se quase exclusivamente na previsão da estrutura proteica a partir da sequência. O AF3 incorporou interações covalentes e não covalentes de pequenas moléculas, ácidos nucleicos, modificações pós-traducionais e iões metálicos num modelo de difusão unificado. A arquitetura — um modelo de difusão condicionado por uma representação de "pares de tokens" do sistema molecular completo — permite-lhe analisar bolsas de ligação não apenas de forma estática, mas também em termos de dinâmica de encaixe induzido.

O avanço chave para a descoberta de fármacos é que o AF3 não se limita a indicar onde um ligando se liga; prevê a energia livre de ligação com resolução suficiente para classificar compostos dentro de uma série. Classificar compostos dentro de uma série química — saber que o composto A é provavelmente 10 vezes mais potente que o composto B antes de sintetizar qualquer um deles — é uma tarefa que consumiu equipas inteiras de química medicinal durante décadas. O rastreio de alto débito conseguia identificar hits, mas a otimização de leads exigia centenas de ciclos de síntese e teste. O AF3 comprime muitos desses ciclos em tempo de computação.

Três Formas Como a Indústria Farmacêutica Está a Aplicar Isto Agora

1. Rastreio Virtual de Bibliotecas com Milhares de Milhões de Compostos

A Novartis reportou em fevereiro de 2026 ter rastreado 1,2 mil milhões de compostos virtuais contra um alvo mutante KRAS G12C em 11 dias, utilizando previsões do AF3 num cluster de 512 GPUs H200. O mesmo rastreio com docking tradicional teria demorado seis meses e exigido a síntese física e teste de pelo menos 500.000 compostos para obter taxas de hits comparáveis. Identificaram 23 novos scaffolds, quatro dos quais avançaram para ensaios confirmatórios em 60 dias.

2. Perfil de Seletividade em Famílias de Proteínas

Um dos problemas mais dispendiosos na descoberta inicial de fármacos é a seletividade fora do alvo — um composto que atinge o alvo pretendido, mas também inibe uma cinase ou recetor acoplado a proteínas G (GPCR) relacionado em concentrações semelhantes. A divisão de oncologia da Roche está agora a submeter cada composto líder a previsões do AF3 contra um painel de 847 proteínas humanas antes de qualquer síntese. Num piloto com 200 compostos históricos, esta abordagem teria detetado 68% dos problemas fora do alvo que só surgiram em fases avançadas de toxicologia.

3. Identificação de Bolsas Cripticas

Alguns dos alvos farmacológicos clinicamente mais validados — incluindo vários fatores de transcrição e interfaces de interação proteína-proteína — eram historicamente considerados "indruggables" por não apresentarem uma bolsa de ligação óbvia em estruturas cristalográficas. A capacidade do AF3 para modelar ensembles conformacionais revelou bolsas transitórias em vários destes alvos. Uma equipa do Broad Institute publicou resultados em março de 2026 mostrando que o AF3 previu corretamente uma bolsa alostérica criptica na interface MYC-MAX, um alvo implicado em vários cancros que tem resistido à intervenção com pequenas moléculas há 30 anos.

O Que Isto Não Substitui

O AF3 não substitui o laboratório húmido. As afinidades de ligação previstas continuam a necessitar de confirmação experimental antes de os compostos avançarem. O modelo tem limitações conhecidas: apresenta um desempenho fraco em proteínas altamente flexíveis, em alvos com efeitos significativos de encaixe induzido não capturados nos dados de treino e no design de inibidores covalentes. Os alvos de proteínas de membrana — uma classe farmacologicamente importante e numerosa — continuam a ser mais difíceis de tratar com precisão.

As propriedades ADMET (absorção, distribuição, metabolismo, excreção, toxicidade) estão completamente fora do âmbito do AF3. Um composto pode ser um ligando perfeito e ainda assim falhar clinicamente devido a uma farmacocinética deficiente ou toxicidade hepática. A previsão destas propriedades requer modelos separados, e a área ainda não alcançou o mesmo nível de precisão.

O Impacto Económico nos Prazos de Descoberta de Fármacos

O pipeline tradicional de descoberta de fármacos de pequenas moléculas, desde a identificação do alvo até à submissão de um IND (Investigational New Drug), demora cerca de 4 a 6 anos e custa entre 300 e 500 milhões de dólares. A fase mais demorada — identificação de hits até à otimização de leads — representa 18 a 30 meses desse prazo. Segundo um relatório da McKinsey de maio de 2026, a adoção generalizada do AF3 poderá comprimir esta fase para 8 a 14 meses em alvos adequados, reduzindo os custos pré-clínicos em 35 a 45%.

Não se trata de uma melhoria marginal de eficiência. É a diferença entre uma biotech com uma runway de 150 milhões de dólares numa Série B ter duas oportunidades de descoberta de fármacos em vez de uma. Em programas para doenças raras, onde as populações de doentes são pequenas e os retornos comerciais limitados, a economia da descoberta de fármacos altera-se o suficiente para tornar viáveis programas que antes não o eram.

Conclusões Práticas

• Se trabalha na indústria farmacêutica ou biotecnológica: A API do AF3 (disponível através do Google Cloud Life Sciences) está pronta para produção em rastreios virtuais de alvos proteicos solúveis e globulares. Integre-a antes da sua próxima campanha de HTS, não depois.
• Se está a avaliar plataformas de química computacional: Compare o AF3 com os seus dados retrospetivos internos antes de adquirir licenças de software de docking. O fosso de precisão alargou-se significativamente nos últimos 18 meses.
• Se acompanha investimentos em biotecnologia: Empresas cuja pipeline depende fortemente de alvos com estruturas cristalográficas conhecidas e bolsas de ligação bem definidas enfrentam agora janelas de diferenciação mais curtas — os seus avanços computacionais são mais breves do que há dois anos.
• Acompanhe: O próximo ponto de inflexão será a previsão de ADMET. Vários grupos estão a treinar modelos multimodais que combinam previsão estrutural ao estilo do AF3 com dados farmacocinéticos. Se este problema for resolvido com níveis de precisão semelhantes, o prazo de descoberta de 4 a 6 anos enfrentará uma compressão estrutural.