# AlphaFold não resolveu o dobramento de proteínas: lições de DeepMind e Biohub para IA em biologia

> Em painel no Latent Space, Pushmeet Kohli, do Google DeepMind, e Sal Candido, do Biohub, discutiram por que o AlphaFold foi só o começo e por que a 'lição amarga' de escalar compute e dados não resolve os problemas fundamentais da biologia. A conversa importa agora porque a próxima geração de modelos biológicos depende de escolhas sobre dados, arquitetura e expertise científica, não apenas de mais escala.

Publicado em 2026-10-10 · https://invision.dreamvision.com.br/blog/alphafold-nao-resolveu-o-dobramento-de-proteinas-licoes-de-deepmind-e-biohub-par

## Pontos-chave
- AlphaFold foi um marco, mas a predição de estrutura estática não resolve a dinâmica e o desordem das proteínas.
- A lição amarga na biologia exige encontrar a lei de escala certa, não apenas aumentar compute e dados.
- Dados metagenômicos de baixa qualidade podem melhorar modelos de linguagem de proteínas.
- Construir uma célula virtual requer datasets fundamentalmente diferentes dos usados para proteínas isoladas.
- Confiabilidade e calibração de incerteza importam mais do que interpretabilidade total em modelos biológicos.

## Por que o AlphaFold não encerrou o problema do dobramento de proteínas?
O AlphaFold foi um marco na predição de estrutura de proteínas, mas Pushmeet Kohli, do Google DeepMind, deixou claro que isso está longe de significar que o problema está resolvido. A predição estática de estrutura não captura a dinâmica, o desordem e o comportamento real das proteínas em contextos biológicos.

Sal Candido, do Biohub, acrescentou que os modelos de linguagem de proteínas podem já conter conhecimento científico que ainda não foi desbloqueado. A limitação não é só de arquitetura, mas de como interpretamos e usamos esse conhecimento.


## O que é a 'lição amarga' aplicada à biologia e por que escalar não basta?
A lição amarga, conceito popularizado por Rich Sutton, diz que métodos que escalam tendem a vencer. Kohli reformula: o problema vem primeiro, e a solução pode exigir mais modelagem, mais dados ou mais expertise científica, dependendo do caso.

Candido reforça que leis de escala não existem em todo lugar; parte do trabalho é encontrá-las. Além disso, dados de baixa qualidade, como sequências metagenômicas, podem melhorar modelos de proteínas, mas confiar apenas no que é fácil de gerar leva a avanços limitados.

- Nem todo problema tem uma lei de escala clara.
- Dados imperfeitos podem ser úteis, mas não substituem dados desenhados para o problema.
- A colaboração entre quem modela e quem gera dados é essencial para identificar o que falta.

## Como equilibrar intuição científica e arquiteturas gerais?
O AlphaFold 2 foi descrito como uma obra de arte com muitas features feitas à mão, baseadas em conhecimento de biofísica e bioquímica. Kohli defende que essa intuição científica dá ao modelo uma vantagem injusta, tornando-o mais eficiente em dados.

Candido pondera que, com menos dados, vieses indutivos ajudam; com mais dados, esses mesmos vieses podem limitar o modelo se estiverem errados. A escolha depende do problema e do volume de dados disponível.


## O que falta para construir uma célula virtual?
Kohli contou que, ao tentar aplicar a abordagem do AlphaFold a dados de célula por gene, ficou claro que os dados ainda não existem para a ambição de uma célula virtual. O problema exige conjuntos de dados fundamentalmente diferentes dos usados para proteínas isoladas.

A conversa também abordou a necessidade de modelos preditivos de sistemas vivos inteiros, não apenas de proteínas individuais. Isso envolve dinâmica, desordem e interações que vão além da estrutura estática.


## Por que confiabilidade importa mais do que interpretabilidade total?
Kohli e Candido discutiram se modelos de fronteira poderiam interpretar outros sistemas de IA melhor do que humanos. A conclusão prática é que, mais do que entender cada detalhe, precisamos de calibração de incerteza e confiabilidade nos modelos.

Candido mencionou o princípio de Feynman para ilustrar que a IA já cria coisas que não compreendemos completamente, e isso exige novas formas de validação científica.


## O que isso muda para quem usa IA
Para quem desenvolve com IA, a mensagem é que escalar cegamente não resolve problemas complexos de biologia. É preciso escolher os dados certos, entender o problema e combinar modelagem com expertise científica.

A Invision oferece acesso a vários modelos de IA por uma única chave, o que permite testar diferentes abordagens sem se prender a um único fornecedor. Isso ajuda a experimentar arquiteturas e dados de forma mais flexível, sem prometer resultados milagrosos.


## Perguntas frequentes
### O AlphaFold resolveu o problema do dobramento de proteínas?
Não. O AlphaFold foi um avanço importante, mas a predição de estrutura estática não captura a dinâmica, o desordem e o comportamento das proteínas em sistemas vivos. O problema continua em aberto.

### O que é a lição amarga na biologia?
É a ideia de que métodos que escalam vencem, mas aplicada à biologia ela precisa ser repensada: nem sempre aumentar compute e dados é suficiente; é preciso encontrar a lei de escala certa e alinhar dados ao problema.

### Dados de baixa qualidade podem ajudar modelos de proteínas?
Sim. Sal Candido citou que treinar modelos de linguagem de proteínas com sequências metagenômicas, mesmo imperfeitas, pode melhorar o desempenho em design e compreensão de proteínas reais.

### O que é necessário para construir uma célula virtual?
Segundo Pushmeet Kohli, os dados atuais de célula por gene ainda não são suficientes. Seriam necessários conjuntos de dados fundamentalmente diferentes e uma abordagem que vá além de proteínas individuais.

Fonte original: [Why AlphaFold Didn't Solve Protein Folding — Pushmeet Kohli, Google DeepMind & Sal Candido, Biohub](https://www.latent.space/p/biohub-deepmind) (Latent Space).
