Adenilson Arcanjo

A vida, em toda a sua diversidade, é fundamentalmente baseada na célula e seus constituintes, incluindo as proteínas. Estas moléculas realizam as mais variadas funções e podem sofrer modificações, como a O-Glicosilação com N-acetilglicosamina. A pesquisa apresentada concentra-se em compreender quando essa modificação ocorre, utilizando técnicas de aprendizado de máquina, métodos capazes de resolver problemas complexos que não são ditados por regras simples. O estudo desta pequena modificação, que a princípio pode parecer um detalhe, aponta para soluções de problemas importantes, como a doença de Alzheimer.

O avanço do poder de processamento e a implementação de algoritmos têm ajudado a comunidade acadêmica a atingir novas fronteiras de conhecimento. Na bioinformática, a adoção de aplicações para a análise e geração de representações visuais gráficas moleculares, acarreta a adição de paradigmas computacionais ao desenvolvimento científico da área. Aplicações como AlphaFold e CABS-flex têm um papel relevante para a modelagem de conformações tridimensionais de biomoléculas e a execução de suas dinâmicas moleculares, fundamentais para a compreensão da biologia molecular e, consequentemente, desenvolvimento de diversas áreas econômicas relacionadas. Este trabalho, então, busca introduzir, de forma objetiva, uma análise comparativa com teor biológico e computacional, métodos e técnicas implementados por estes algoritmos, além de problemas enfrentados nestas aplicações.

A sexta edição da Revista BIOINFO, organizada em colaboração com o Programa Interunidades de Pós-Graduação em Bioinformática da UFMG, reúne 31 artigos, além deste editorial. Os trabalhos publicados nesta edição foram apresentados no evento “Bioinformática 2035: Desafios e Formação de Talentos para a Próxima Década”. Este editorial apresenta uma síntese do evento, destacando seus principais temas, discussões e conclusões.

Este livro compila os artigos publicados na Revista BIOINFO Vol. 5 (2025). Todos os direitos autorais pertencem aos autores de cada respectivo artigo. Todavia, os autores concordam em compartilhar gratuitamente o conteúdo deste livro e incentivam sua livre distribuição (desde que os autores dos respectivos capítulos sejam corretamente citados e/ou que as leis de uso justo sejam respeitadas). Este livro está compartilhado sob a licença Creative Commons Atribuição 4.0 Internacional - Não comercial (CC BY-NC 4.0). Você pode utilizar qualquer conteúdo aqui apresentado, desde que cite: Moura Junior, Adenilson Arcanjo de (org.) et al. BIOINFO #05 - Revista Brasileira de Bioinformática e Biologia Computacional. 5. Ed. Vol. 5. ISBN: 978-65-84391-01-7. Lagoa Santa: Alfahelix, 2025. doi: 10.51780/978-65-84391-01-7

Por trás de cada reação biológica, há um encontro molecular. As proteínas, peças fundamentais da engrenagem da vida, raramente atuam sozinhas. Elas se reconhecem, se conectam e formam complexos que controlam desde o funcionamento do sistema imunológico até a replicação viral. Prever quais proteínas se "encaixam" é um desafio crucial da biologia. Para superá-lo, novas abordagens computacionais automatizadas vêm sendo desenvolvidas para prever essas interações entre proteínas (PPIs). Ao analisar informações estruturais minuciosas, como contatos entre átomos e variações na superfície das moléculas, e combiná-las a modelos de aprendizado de máquina, torna-se possível transformar dados estáticos em conhecimento preditivo. Essa união entre biologia e computação está impulsionando uma nova fase da ciência, na qual dados estruturais se transformam em capacidade preditiva por meio de algoritmos. Esse avanço aproxima o campo de um cenário em que a identificação de conexões e interações moleculares ocorre de forma automatizada, acelerando descobertas com impacto direto na saúde, na biotecnologia e na inovação.

O-GlcNAcylation is a post-translational modification (PTM) that involves the covalent bonding of an N-acetylglucosamine (GlcNAc) molecule to serine or threonine amino acid residues in nuclear and cytoplasmic proteins. PTMs dysregulation has been implicated in a wide range of diseases, including cancer, metabolic syndromes, and neurodegenerative disorders. Precise mapping of O-GlcNAc sites is essential for advancing both fundamental understanding and the development of targeted therapeutics. However, their detection remains challenging, which has motivated the development of computational tools to predict these sites with greater accuracy. In this study, we used Protein Language Models (PLMs) to address the challenge of predicting protein residues that are O-GlcNAc modification sites. To evaluate our method, we collected data from the O-GlcNAc Atlas. Our results indicate that our model outperformed competitors in all datasets evaluated. We believe the approach presented here can benefit scientists working on any subject where protein post-translational modifications play a role.