Institucional

Todos os campi

Modelo computacional desenvolvido na UFV contribui para avanços no combate à resistência bacteriana

22/09/2025

Pesquisadores dos programas de pós-graduação em Ciência da Computação (PPGCC)  em Bioquímica Aplicada (PPG/BQA) da UFV criaram uma estratégia de aprendizagem de máquina para a predição de Peptídeos de Penetração Celular (CPPs). O modelo computacional, batizado de “Perseu CPP”, é capaz de prever, com mais precisão do que as ferramentas existentes, moléculas promissoras para o transporte de medicamentos para dentro das células — um passo importante no combate à resistência bacteriana e no avanço de terapias inovadoras. O estudo foi publicado no periódico Bioinformatics Advances, tendo como primeira autora a doutoranda do PPG/BQA Rayane Bernardes-Loch, orientada pela professora Maria Cristina Baracat.

Além de prever se um peptídeo é ou não CPP, o trabalho também indica sua eficiência de penetração celular

Segundo a coordenadora do trabalho, professora Sabrina de Azevedo Silveira, do Departamento de Informática (DPI), a resistência de bactérias aos antibióticos atuais é considerada pela Organização Mundial da Saúde um dos maiores desafios médicos do século XXI. Uma das estratégias utilizadas para vencer essa resistência tem sido o uso de Peptídeos de Penetração Celular. Eles funcionam como uma “chave biológica” capaz de atravessar a membrana das células, levando consigo desde antibióticos e proteínas terapêuticas até fragmentos de DNA e RNA usados em terapias genéticas. Isso sem causar danos à célula.

Além de prever se um peptídeo é ou não CPP, o trabalho indica ainda sua eficiência de penetração celular. “Essa versatilidade faz dos CPPs ferramentas valiosas não só no combate às infecções, mas também no tratamento do câncer, terapias genéticas e medicina personalizada”, afirma Sabrina, que coordena o Laboratório de Bioinformática, Visualização e Sistemas, ligado ao Instituto de Inteligência Artificial e Computacional (Idata) da Universidade.

Os pesquisadores esclarecem que, tradicionalmente, a descoberta de novos peptídeos envolve síntese química e testes experimentais em laboratório — um processo caro, demorado e dependente de infraestrutura altamente especializada. Alguns métodos computacionais já vinham sendo utilizados para tentar prever candidatos promissores, mas os modelos existentes enfrentam limitações: dados restritos, baixo equilíbrio entre exemplos positivos e negativos e pouca capacidade de generalização para moléculas inéditas. O trabalho inova ao criar uma estratégia computacional mais simples (computacionalmente mais barata) e robusta, capaz de combinar diferentes descrições dos peptídeos e equilibrar melhor os dados analisados.

O doutorando Gustavo Almeida e a professora Sabrina Silveira, responsáveis pelo desenvolvimento do novo modelo computacional

O "Perseu CPP" é um modelo preditivo e interpretável que combina diferentes descrições físico-químicas e estruturais dos peptídeos e utiliza técnicas de balanceamento de dados. “Com isso, conseguimos aumentar o acerto nas previsões e oferecer resultados mais confiáveis para os pesquisadores. Na prática, isso significa que, em vez de testar milhares de moléculas no laboratório, agora é possível priorizar aquelas com maior chance de sucesso, economizando tempo e dinheiro e acelerando a descoberta de novos tratamentos”, diz Gustavo Almeida, doutorando em Ciência da Computação na UFV.

Além do ganho em precisão, o "Perseu CPP" é interpretável: indica se determinado peptídeo é ou não um CPP e ainda mostra quais características foram decisivas para essa classificação. Isso ajuda especialistas a compreender melhor os mecanismos por trás dessas moléculas e a desenvolver novos compostos com mais eficiência. A pesquisa foi conduzida a partir de uma abordagem comparativa e incremental. Os pesquisadores não só aplicaram algoritmos já estabelecidos, como também desenharam uma estratégia específica para o problema de predição de CPPs, testaram hipóteses de forma sistemática e validaram os resultados.

O código do modelo está disponível publicamente no GitHub. A ferramenta, que tem seu código-fonte aberto, apresentou ótimo desempenho na identificação de peptídeos de penetração celular. Isso significa que, quando o pesquisador insere uma nova sequência no sistema, há mais chances de que os candidatos apontados realmente funcionem em testes de laboratório. Na prática, de acordo com os autores, isso ajuda a economizar tempo e dinheiro, acelerando a busca por moléculas promissoras para o desenvolvimento de novos medicamentos.

 

A pesquisa citada nesta matéria está alinhada aos itens 3 (Saúde e Bem-Estar) e 9 (Indústria, Inovação e Infraestrutura) dos Objetivos de Desenvolvimento Sustentável (ODS) e foi financiada pelo Programa Conhecimento Brasil - Apoio a Projetos em Rede com Pesquisadores Brasileiros no Exterior CNPq/MCTI/FNDCT.