OpenProtein.AI abre a biólogos o acesso a ferramentas de IA para projetar proteínas

A OpenProtein.AI tenta derrubar uma das principais barreiras na interseção entre IA e biologia. Já existem modelos poderosos para trabalhar com proteínas, mas, para a maioria dos pesquisadores, eles ainda são complexos demais sem conhecimento de aprendizado de máquina, acesso a GPUs e uma equipe de engenharia dedicada.

A startup foi fundada pelo ex-aluno do MIT Tristan Bepler e pelo ex-professor associado do MIT Tim Lu. A ideia é simples: oferecer aos biólogos uma plataforma web sem código, na qual seja possível enviar dados próprios, rodar modelos de engenharia de proteínas, prever a estrutura e a função de moléculas, além de treinar e ajustar modelos para tarefas específicas. A empresa já trabalha com organizações farmacêuticas e de biotecnologia de diversos portes e oferece a plataforma gratuitamente a cientistas do meio acadêmico.

Na prática, não se trata de uma ferramenta isolada, mas de um conjunto de trabalho completo para pesquisa, em que a IA passa a fazer parte do processo de laboratório, e não de um experimento à parte para cientistas de dados.

O projeto nasceu do trabalho acadêmico de Bepler no MIT. Durante o programa de biologia computacional e de sistemas, sob orientação da professora Bonnie Berger, ele se dedicou a uma questão que continua central em toda a área: como entender melhor a relação entre a sequência de uma proteína, sua estrutura e sua função. Antes mesmo do AlphaFold, Bepler já estudava como usar dados evolutivos para prever propriedades de proteínas e acabou chegando a um dos primeiros modelos generativos dessa classe: basicamente, um modelo de linguagem de proteínas. A lógica era não só prever a forma da molécula, mas também ir mais rápido da sequência à compreensão do que exatamente aquela proteína é capaz de fazer.

Depois, já após defender o PhD em 2020, Bepler entrou no laboratório de Tim Lu como pós-doutorando. Ali ficou especialmente evidente o abismo entre as ferramentas de IA de ponta e as necessidades reais dos biólogos. Os modelos ficavam mais fortes, mas adotá-los exigia preparo técnico demais: escrever código, configurar computação, montar bibliotecas de sequências, fazer ajuste fino e interpretar resultados.

A OpenProtein.AI foi construída como resposta justamente a esse problema. Em vez de obrigar o pesquisador a virar engenheiro de ML, a empresa leva a complexidade para a infraestrutura e deixa ao usuário uma interface clara e fluxos de trabalho prontos.

O principal desenvolvimento próprio da OpenProtein é o PoET, sigla de Protein Evolutionary Transformer. Ele foi treinado com grupos de proteínas para gerar sequências relacionadas e captar as restrições evolutivas que determinam as propriedades das moléculas. A empresa afirma que o PoET consegue generalizar essas restrições e incorporar novas informações sobre sequências sem retreinamento completo, o que é especialmente importante para laboratórios que produzem dados experimentais novos o tempo todo.

Os pesquisadores podem usar dados próprios para treinar modelos e otimizar sequências de proteínas, e depois passar as variantes obtidas por ferramentas de análise, preditores estruturais e outras verificações in silico antes de partir para o trabalho no laboratório úmido. Para quem precisa de acesso programático, a plataforma também tem API, mas o fluxo básico continua sendo sem código.

A empresa continua ampliando a plataforma. Em 2025, apresentou o PoET-2, nova versão do seu modelo de linguagem de proteínas que, segundo a OpenProtein, supera modelos bem maiores, embora exija apenas uma fração dos recursos computacionais e dos dados experimentais. Isso importa não só pela qualidade, mas também pelo custo da pesquisa: se modelos eficazes ficam mais leves, podem ser usados por mais gente além das maiores farmacêuticas.

As grandes empresas também já aderiram. A Boehringer Ingelheim começou a usar a plataforma no início de 2025 e depois ampliou a colaboração com a OpenProtein para tarefas de engenharia de proteínas em terapias contra o câncer e doenças autoimunes e inflamatórias.

O próximo passo da empresa é ensinar os modelos a lidar melhor não só com propriedades estáticas das proteínas, mas também com seu comportamento dinâmico. São casos em que a proteína precisa participar de vários mecanismos biológicos ao mesmo tempo ou mudar de função depois de se ligar a outra molécula. Se a IA conseguir descrever e projetar esses cenários, o leque de abordagens terapêuticas aumentará e o projeto de sistemas biológicos ficará visivelmente mais preciso.

O ponto central dessa história é que o mercado avança aos poucos de experimentos de IA raros e pontuais em biologia para uma infraestrutura mais acessível para o trabalho diário de pesquisa. Se a OpenProtein.AI realmente conseguir equilibrar abertura, praticidade e qualidade dos modelos, isso reduzirá a barreira de entrada para os laboratórios, acelerará a validação de hipóteses e encurtará o caminho entre o design computacional de uma proteína e um candidato real para terapia ou uso industrial. E, talvez tão importante quanto, evitaria que as ferramentas de IA mais fortes fiquem restritas a poucos grandes players.