Redesenho de genes entre espécies aproveitando informações de ortólogos e modelagem generativa

Por que redesenhar genes entre espécies é importante

A biotecnologia moderna frequentemente precisa mover genes de um microrganismo para outro para produzir medicamentos, enzimas ou ferramentas de remediação ambiental. Ainda assim, um gene que funciona bem em seu micro-organismo original pode falhar em um novo hospedeiro, produzindo pouco proteína. Este artigo apresenta um novo sistema de inteligência artificial, o OrthologTransformer, que aprende com a própria evolução para reescrever genes de modo que pareçam “nativos” em uma espécie diferente, aumentando seu desempenho e abrindo novas possibilidades para tecnologia verde e indústria.

Limites das técnicas atuais de ajuste de genes

Por décadas, cientistas têm contado com uma estratégia chamada otimização de códons para ajudar genes estrangeiros a funcionar em novos hospedeiros. A ideia é simples: o código genético tem vários “códons” de três letras que podem especificar o mesmo aminoácido, e diferentes espécies preferem códons diferentes. Ferramentas tradicionais trocam códons raros por outros preferidos sem alterar a sequência de aminoácidos da proteína. Isso costuma ajudar, mas ignora muitas outras características que importam para o desempenho do gene, como o dobramento do RNA, sinais regulatórios e o timing da produção proteica. Em alguns casos, a otimização excessiva de códons pode até reduzir o rendimento proteico. Enquanto isso, a natureza resolve a adaptação entre espécies de forma mais completa: genes relacionados em espécies diferentes, conhecidos como ortólogos, frequentemente exibem mudanças de aminoácidos e pequenas inserções ou deleções além de trocas de códons, tudo isso preservando a função geral.

Aprendendo o manual da natureza para reescrever genes

O OrthologTransformer trata o redesenho de genes como uma espécie de tradução de linguagem: dada uma sequência de DNA de uma bactéria, ele “tradu z” como esse gene provavelmente seria em outra espécie. O modelo é construído sobre a arquitetura Transformer usada em ferramentas modernas de linguagem, mas aqui opera em códons em vez de palavras. Ele é treinado em milhões de genes ortólogos naturalmente emparelhados de mais de duas mil espécies bacterianas, com tokens especiais que indicam de qual espécie se está convertendo e para qual espécie se destina. Ao observar como a evolução já balanceou função e adaptação ao hospedeiro, o sistema aprende quando simples trocas de códons são suficientes e quando mudanças sutis de aminoácidos ou ajustes de comprimento são toleradas. Em testes envolvendo 45 espécies bacterianas e centenas de combinações origem–alvo, os genes redesenhados pela IA assemelharam-se mais de perto aos ortólogos nativos da espécie alvo do que tanto a otimização de códons convencional quanto um otimizador neural de códons de ponta, mantendo ainda alta similaridade a nível de proteína.

Aplicando enzimas comedores de plástico projetadas por IA

Para demonstrar que isso é mais do que um truque computacional, a equipe focou na PETase, uma enzima da bactéria Ideonella sakaiensis que pode degradar o plástico PET, material usado na maioria das garrafas. A Ideonella cresce lentamente e não é ideal para uso industrial, então os pesquisadores pediram ao OrthologTransformer que reescrevesse o gene da PETase para um hospedeiro de crescimento mais rápido, Bacillus subtilis. Eles geraram um painel de doze variantes de genes redesenhados, explorando diferentes configurações de treinamento e um procedimento de busca adicional que direcionou as sequências para uma composição de DNA semelhante à do Bacillus e estruturas de RNA favoráveis. Apesar de algumas variantes apresentarem muitas alterações no DNA e algumas substituições de aminoácidos, modelos computacionais previram que a estrutura 3D central da enzima foi preservada. Quando esses designs foram construídos e testados em células vivas de Bacillus, várias produziram grandes quantidades de PETase secretada, e todas mostraram atividade mensurável de degradação de plástico.

Um design por IA que supera a otimização padrão

Uma sequência projetada pela IA, chamada AI-L2, destacou-se. Células de Bacillus contendo esse gene secretaram quantidades especialmente grandes de PETase e geraram aproximadamente três vezes mais produto de degradação do plástico do que qualquer outra linhagem em um teste de sete dias, e cerca de dez vezes mais do que controles típicos otimizados por códons quando medidos por produtos da reação. Imagens em microscopia de filmes de PET expostos às células AI-L2 revelaram poços e buracos profundos onde o plástico havia sido corroído, muito mais dramáticos do que nas outras condições. Testes detalhados da enzima mostraram que a versão AI-L2 da PETase não só foi produzida de forma mais eficiente, como também processou seu substrato mais rapidamente, conferindo-lhe maior eficiência catalítica do que as enzimas originais e otimizadas por códons. Um experimento paralelo em Escherichia coli mostrou que uma versão da PETase projetada pelo OrthologTransformer, mesmo quando alterou apenas o uso de códons e não a sequência de aminoácidos, ainda superou um gene otimizado por frequência de códons, ressaltando que o modelo captura preferências sutis específicas do hospedeiro que métodos tradicionais deixam passar.

O que isso significa para a biologia e tecnologia futuras

Em termos práticos, o OrthologTransformer é como um tradutor especialista que não apenas reescreve a “ortografia” de um gene para um novo micro-organismo, mas também faz pequenas edições informadas pela evolução na própria “frase” quando sabe que serão seguras ou benéficas. Ao aprender diretamente de como genes se adaptaram naturalmente ao longo de milhares de espécies bacterianas, ele pode propor DNA redesenhado que funciona melhor em novos hospedeiros do que projetos limitados à troca de códons. A criação bem-sucedida de uma enzima degradadora de plástico mais potente em Bacillus subtilis sugere que esse redesenho de genes guiado por IA pode acelerar o desenvolvimento de biocatalisadores industriais, microrganismos de remediação ambiental e, eventualmente, até terapias gênicas médicas, ajudando organismos a ler e usar genes estrangeiros como se fossem seus.

Citação: Akiyama, M., Tashiro, M., Huang, Y. et al. Cross-species gene redesign leveraging ortholog information and generative modeling. Nat Commun 17, 2120 (2026). https://doi.org/10.1038/s41467-026-69966-0

Palavras-chave: redesenho de genes, biologia sintética, genes ortólogos, IA em biotecnologia, enzimas degradadoras de plástico