Quando a evolução encontra a inteligência artificial: a criação de uma proteína que nunca existiu!

Um novo modelo de linguagem treinado com bilhões de dados biológicos simulou 500 milhões de anos de evolução e projetou uma proteína fluorescente inédita na natureza.

E se fosse possível acelerar a evolução em laboratório?

Imagine poder avançar meio bilhão de anos na história da vida, em poucos dias! Sem uma máquina do tempo, sem truques, apenas com a ajuda da inteligência artificial.

Foi exatamente isso que um grupo de pesquisadores alcançou ao desenvolver o ESM3, um modelo de linguagem generativa capaz de simular processos evolutivos e criar proteínas que nunca existiram. A prova? Uma nova proteína fluorescente, chamada esmGFP, que brilha intensamente, mas jamais foi vista na natureza.

Essa façanha não só desafia os limites do que se pensava possível em bioengenharia, como também inaugura um novo capítulo na história da biotecnologia.

Por que simular a evolução?

A evolução natural é um processo incrivelmente poderoso, mas também lento. Leva milhões (às vezes bilhões) de anos para que novas proteínas, com funções específicas, surjam por mutações aleatórias e seleção natural.

E se pudéssemos acelerar esse processo? Criar, em laboratório, proteínas com propriedades desejadas, sem precisar esperar que a natureza faça isso por nós?

É aí que entra o ESM3. Criado por uma equipe ligada à startup EvolutionaryScale, este modelo de linguagem foi treinado para entender profundamente a linguagem das proteínas, ou seja, como sua sequência de aminoácidos define sua forma e função.

A descoberta: uma proteína que brilha e que nunca existiu

Para testar o poder do ESM3, os cientistas deram ao modelo um desafio: criar uma nova proteína fluorescente verde, semelhante às usadas como marcadores em experimentos biológicos.

O resultado foi a esmGFP, uma proteína que compartilha apenas 58% de similaridade com sua “prima” mais próxima na natureza, uma proteína fluorescente de uma anêmona-do-mar. Isso significa que ela é algo realmente novo, um salto no espaço evolutivo que a natureza, até hoje, não havia dado.

E o melhor: quando a esmGFP foi sintetizada em laboratório, ela brilhou de verdade. Funcional, estável e fluorescente, um sucesso em todos os testes.

Como o ESM3 aprendeu a “evoluir”?

O segredo do ESM3 está na escala e na diversidade dos dados usados para treiná-lo. Foram mais de:

• 3,15 bilhões de sequências de proteínas,
• 236 milhões de estruturas tridimensionais,
• 539 milhões de anotações funcionais.

Essa imensa base de conhecimento permitiu ao modelo captar padrões e relações complexas entre forma, função e sequência, algo que nem sempre é evidente para cientistas humanos. O modelo não apenas “memoriza” proteínas existentes, ele aprende a criar novas, respeitando as regras da biologia.

Por que isso importa tanto?

A criação da esmGFP é mais do que uma curiosidade científica. Ela mostra que é possível usar inteligência artificial para gerar proteínas funcionais que estão fora do repertório da natureza.

Isso pode revolucionar diversas áreas:

• Medicina: desenvolver novas enzimas terapêuticas ou proteínas para diagnosticar doenças com mais precisão.
• Ambiente: criar enzimas capazes de degradar plásticos ou neutralizar poluentes.
• Pesquisa básica: explorar possibilidades evolutivas que nunca aconteceram, entendendo melhor os limites e o potencial da vida.

E tudo isso em uma velocidade incomparável à da evolução natural.

Conclusão: o que vem depois da evolução?

O ESM3 não substitui a natureza — ele aprende com ela, e a leva adiante. Ao simular milhões de anos de evolução em um modelo computacional, os cientistas abriram uma nova trilha: a da evolução guiada por inteligência artificial.

O que antes era imprevisível e lento, agora pode ser projetado com precisão e rapidez. A esmGFP é apenas o começo. No futuro, poderemos criar proteínas para curar doenças, limpar o planeta ou até mesmo expandir o entendimento do que a vida pode ser.

A inteligência artificial não está apenas nos ajudando a entender a evolução. Está nos ensinando a reinventá-la.

Referência acadêmica usada no post:

Hayes, T., Rao, R., Akin, H., Sofroniew, N. J., & Oktay, D. (2025). Simulating 500 million years of evolution with a language model. Science, 387(6736), 850–858. https://doi.org/10.1126/science.ads0018