Resumo da Pesquisa:
A busca por peptídeos bioativos com potencial hipocolesterolêmico tem ganhado relevância, especialmente devido à sua aplicabilidade na prevenção e no manejo de doenças cardiovasculares, principal causa de mortalidade em âmbito global. O mecanismo de ação das estatinas, atualmente os fármacos mais utilizados com essa finalidade, baseia-se na inibição competitiva da enzima 3-hidroxi-3-metilglutaril coenzima A redutase (HMG-CoA redutase), responsável por catalisar uma etapa limitante na biossíntese do colesterol. Evidências científicas recentes indicam que determinados peptídeos podem atuar de forma análoga, inibindo essa mesma enzima e contribuindo para a redução do colesterol endógeno. Diante disso, este estudo teve como objetivo desenvolver um modelo de predição, com base em técnicas de aprendizado de máquina, para identificação de peptídeos com potencial inibitório da HMG-CoA redutase. Inicialmente, foi construída manualmente uma base de dados contendo sequências de peptídeos previamente avaliados experimentalmente, a qual foi utilizada para o treinamento e validação dos modelos preditivos. Diversos algoritmos de classificação foram testados em combinação com descritores moleculares baseados em sequência. O modelo de melhor desempenho foi obtido com o algoritmo Random Forest associado ao descritor Z-Scales, alcançando uma acurácia de 96% e coeficiente de correlação de Matthews (MCC) de 0,9226. Em seguida, peptídeos derivados da sequência primária da β-vignina, proteína de reserva do feijão-caupi (Vigna unguiculata), foram submetidos ao modelo, permitindo a identificação automatizada de candidatos com propriedades físico-químicas compatíveis com a interação no sítio catalítico da HMG-CoA redutase. Dentre os peptídeos selecionados, o tripeptídeo Asp-Val-Phe foi apontado com 100% de probabilidade de atividade inibitória, sendo posteriormente sintetizado e testado in vitro, com valor de IC₅₀ de 68 µmol/L. Os resultados obtidos demonstram o potencial do modelo proposto como uma ferramenta inovadora e eficiente na triagem de novas sequências bioativas. Além disso, a capacidade do modelo de ser continuamente refinado com a incorporação de novos dados experimentais aponta para sua aplicação futura como recurso dinâmico na descoberta de peptídeos funcionais.
Palavras-chave: Peptídeos bioativos. Proteo-quimiometria. Inteligência artificial. Modelo preditivo. Inibidor da HMG-CoA redutase.