O crescente interesse por peptídeos bioativos, devido aos seus efeitos anti-idade, antioxidantes e anti-inflamatórios, impulsiona o desenvolvimento de dermocosméticos mais seguros. Este artigo apresenta uma abordagem integrativa de bioinformática e modelagem molecular para identificar padrões estruturais e funcionais, visando predizer novas sequências com potencial biotecnológico. A ideia sugere utilizar bases de dados públicas e algoritmos de aprendizado de máquina, seguidos por análises de docking e dinâmica molecular. A integração entre inteligência artificial e modelagem estrutural busca acelerar a descoberta racional de peptídeos bioativos para aplicação dermocosmética.
Autores: Milenna Machado Pirovani, Raquel Cardoso de Melo-Minardi
1. Introdução
A indústria cosmética tem demonstrado crescente interesse em peptídeos bioativos devido às suas ações específicas na pele, como efeitos anti-idade, antioxidante e anti-inflamatório [1]. Essas moléculas, formadas pela união de aminoácidos, atuam na regulação de vias celulares relacionadas à renovação tecidual e à síntese da matriz extracelular. Entre os principais exemplos destacam-se o GHK-Cu (tripeptídeo de cobre) [2] e os peptídeos palmitoilados, amplamente utilizados em formulações antirrugas e estimuladoras de colágeno [3]. Apesar dos avanços, a ausência de uma correlação sistematizada entre estrutura e função limita o desenvolvimento racional de novos peptídeos bioativos. Tal lacuna representa um desafio científico, pois a criação de cosméticos eficazes, seguros e economicamente viáveis requer o entendimento dos mecanismos moleculares que conferem bioatividade [4–6].
Neste contexto, a presente pesquisa propõe identificar e caracterizar padrões estruturais e funcionais em peptídeos empregados em dermocosméticos, utilizando abordagens computacionais para predizer novas sequências com potencial biotecnológico. Parte-se da hipótese de que peptídeos com ação cosmética compartilham motivos estruturais e propriedades bioquímicas específicas, passíveis de modelagem in silico, promovendo inovação científica e contribuindo para o avanço da biotecnologia cosmética [1,4].
2. Fonte de Dados e Curadoria
Para embasar a modelagem computacional, primeiramente deve ser construída uma base de dados de peptídeos cosméticos. Isso inclui compilar todas as sequências de peptídeos disponíveis, usando bancos como CosIng (Cosmetic Ingrediente Database) [7], Propedia [8], Peptide Atlas [9], SATPdb [10], BIOPEP-UWN [11] e complementá-las com peptídeos relatados na literatura científica. Esta etapa de curadoria é fundamental para modelos de aprendizado de máquina, que dependem de conjuntos confiáveis de exemplos. Assim, cada peptídeo será caracterizado por suas propriedades de sequência (composição de aminoácidos, peso molecular, hidrofobicidade, dentre outros) e, quando possível, anotações funcionais associadas.
3. Triagem base-sequência
Algoritmos de aprendizado de máquina, como classificadores baseados em Support Vector Machine (SVM) [12], Random Forest [13] e redes neurais profundas, podem ser empregados no desenvolvimento de modelos preditivos a partir de sequências de peptídeos previamente caracterizados. Esses modelos são treinados com representações quantitativas, nas quais vetores de características físico-químicas descrevem as propriedades dos peptídeos. Metodologias de virtual screening, por sua vez, partem do princípio de que sequências com similaridade estrutural ou química tendem a compartilhar atividades biológicas semelhantes. Essa etapa gera um escore de probabilidade para cada sequência candidata, permitindo a seleção racional de peptídeos com maior potencial para análises estruturais subsequentes [14].
4. Modelagem Estrutural, Docking e Dinâmica Molecular
Inicialmente, as estruturas tridimensionais dos peptídeos serão obtidas por meio de ferramentas de predição estrutural, como o AlphaFold. De forma análoga, serão modelados os alvos biológicos, incluindo proteínas associadas à fisiologia cutânea e fosfolipídeos de membrana. Em seguida, será realizado o acoplamento molecular (docking) com o objetivo de prever o modo de ligação dos peptídeos aos respectivos alvos. Após essa etapa, os complexos com melhores pontuações serão submetidos a simulações de dinâmica molecular (Molecular Dynamics, MD). Essa abordagem permite avaliar a estabilidade temporal das interações em condições próximas às fisiológicas, considerando a mobilidade e a flexibilidade das moléculas envolvidas [4].
5. Desafios, Perspectivas e Conclusões
O projeto enfrenta desafios como a escassez de dados rotulados e a alta diversidade estrutural e funcional dos peptídeos, que dificultam a criação de modelos preditivos robustos. A representação adequada das sequências e o desequilíbrio entre classes de peptídeos ativos e inativos também comprometem o desempenho dos algoritmos de aprendizado de máquina. Na etapa estrutural, a flexibilidade dos peptídeos e a falta de estruturas experimentais dos alvos aumentam a incerteza nas predições de docking. Embora a dinâmica molecular ofereça uma análise mais realista das interações, seu custo computacional limita o número de candidatos testados. Ainda assim, a proposta integra bioinformática e modelagem estrutural para descobrir novos peptídeos dermatológicos, combinando inteligência artificial, docking e simulações. Essa integração visa acelerar a triagem e priorização de compostos promissores para aplicação dermocosmética.
Agradecimentos. Às agências de fomento à pesquisa: CAPES, CNPq e FAPEMIG.
6. Referências
[1] Ngoc, LTN et al. Insights into Bioactive Peptides in Cosmetics. Cosmetics. ISSN: 2673-9496. Vol. 10. p.111 (2023). doi: https://doi.org/10.3390/cosmetics10040111
[2] Mortazavi, SM et al. Topically applied GHK as an anti-wrinkle peptide: Advantages, problems and prospective. Bioimpacts. ISSN: 2228-5660. Vol. 14. p.27719 (2024). doi: https://doi.org/10.34172/bi.2024.27719
[3] Pintea, A et al. Peptides: Emerging Candidates for the Prevention and Treatment of Skin Senescence: A Review. Biomolecules. ISSN: 2218-273X. Vol. 15. p.88 (2025). doi: https://doi.org/10.3390/biom15010088
[4] Agoni, C et al. Molecular Modelling in Bioactive Peptide Discovery and Characterisation. Biomolecules. ISSN: 2218-273X. Vol. 15. p.524 (2025). doi: https://doi.org/10.3390/biom15040524
[5] Li, S et al. Discovery of Highly Bioactive Peptides through Hierarchical Structural Information and Molecular Dynamics Simulations. Journal of Chemical Information and Modeling. ISSN: 1549-9596. Vol. 64. p.8164 (2024). doi: https://doi.org/10.1021/acs.jcim.4c01965
[6] Du, Z et al. UniDL4BioPep: a universal deep learning architecture for binary classification in peptide bioactivity. Briefings in Bioinformatics. ISSN: 1477-4054. Vol. 24. p.bbad135 (2023). doi: https://doi.org/10.1093/bib/bbad135
[7] European Commission. Cosmetic Ingredient Database (Cosing). European Commission. [Base de Dados Online]. (2024). Disponível em: https://single-market-economy.ec.europa.eu/sectors/cosmetics/cosmetic-ingredient-database_en
[8] Martins, PM et al. Propedia: a database for protein–peptide identification based on a hybrid clustering algorithm. BMC Bioinformatics. ISSN: 1471-2105. Vol. 22. p.1 (2021). doi: https://doi.org/10.1186/s12859-020-03882-y
[9] Desiere, F et al. The PeptideAtlas Project. Nucleic Acids Research. ISSN: 0305-1048. Vol. 34. p.D655 (2006). doi: https://doi.org/10.1093/nar/gkj040
[10] Singh, S et al. SATPdb: a database of structurally annotated therapeutic peptides. Nucleic Acids Research. ISSN: 0305-1048. Vol. 44. p.D1119 (2015). doi: https://doi.org/10.1093/nar/gkv1114
[11] Minkiewicz, P et al. BIOPEP-UWM Database of Bioactive Peptides: Current Opportunities. International Journal of Molecular Sciences. ISSN: 1422-0067. Vol. 20. p.5978 (2019). doi: https://doi.org/10.3390/ijms20235978
[12] Brereton, RG et al. Support Vector Machines for classification and regression. The Analyst. ISSN: 0003-2654. Vol. 135. p.230 (2010). doi: https://doi.org/10.1039/B918972F
[13] Breiman, L. Random Forests. Machine Learning. ISSN: 0885-6125. Vol. 45. p.5 (2001). doi: https://doi.org/10.1023/A:1010933404324
[14] Vincenzi, M et al. Virtual Screening of Peptide Libraries: The Search for Peptide-Based Therapeutics Using Computational Tools. International Journal of Molecular Sciences. ISSN: 1422-0067. Vol. 25. p.1798 (2024). doi: https://doi.org/10.3390/ijms25031798