Pesquisadores desenvolveram heteropolímeros aleatórios (RHPs) que imitam enzimas, oferecendo uma nova abordagem para a criação de materiais sintéticos com funções semelhantes às de proteínas, de acordo com um estudo publicado na Nature. A equipe, inspirada nos sítios ativos de aproximadamente 1.300 metaloproteínas, projetou esses RHPs usando um método de síntese "one-pot", modulando estatisticamente as características químicas de segmentos contendo monômeros-chave para criar pseudo-sítios ativos.

A pesquisa aborda um desafio de longa data na replicação sintética das funções complexas das proteínas. Embora os cientistas tenham feito progressos na imitação das estruturas primárias, secundárias e terciárias das proteínas, alcançar a heterogeneidade química, estrutural e dinâmica que impulsiona a função proteica permaneceu difícil. Os pesquisadores propõem que, ao programar o arranjo espacial e temporal das cadeias laterais no nível segmentar em polímeros, é possível replicar os comportamentos das proteínas, mesmo com químicas de backbone diferentes das das proteínas.

"Apresentamos monômeros-chave como os equivalentes dos resíduos funcionais da proteína", afirmaram os pesquisadores em seu artigo, enfatizando a importância de imitar o microambiente dos sítios ativos da proteína. A liberdade rotacional dos polímeros ajuda a superar as limitações na especificidade da sequência de monômeros, levando a um comportamento uniforme em todo o conjunto de moléculas.

O desenvolvimento desses mimetizadores de enzimas tem implicações potenciais para vários campos, incluindo catálise, administração de medicamentos e ciência dos materiais. Ao criar materiais sintéticos que podem realizar reações químicas específicas ou se ligar a moléculas-alvo com alta afinidade, os cientistas podem desenvolver novas terapias, processos industriais mais eficientes e materiais avançados com propriedades personalizadas.

O uso de IA na análise dos sítios ativos de metaloproteínas desempenhou um papel crucial na orientação do projeto dos RHPs. Algoritmos de aprendizado de máquina podem identificar características e padrões-chave em grandes conjuntos de dados, permitindo que os pesquisadores tomem decisões informadas sobre a composição e a estrutura de seus materiais sintéticos. Essa abordagem destaca a crescente importância da IA na descoberta e no projeto de materiais.

Olhando para o futuro, os pesquisadores planejam otimizar ainda mais o projeto dos RHPs e explorar suas aplicações potenciais em vários campos. Eles também pretendem desenvolver novos métodos para controlar o arranjo espacial e temporal de monômeros dentro dos polímeros, o que poderia levar a mimetizadores de enzimas ainda mais sofisticados. A equipe acredita que essa abordagem pode abrir caminho para uma nova geração de materiais sintéticos com funções semelhantes às de proteínas, oferecendo uma ampla gama de oportunidades para inovação científica e tecnológica.