Modelos de IA da Topos Bio Miram Proteínas que se Recusam a Ficar Paradas

A Topos Bio lançou dois modelos de IA em 30 de setembro, voltados a proteínas que transitam entre muitas formas em vez de manter uma única estrutura estável. Os modelos de IA da Topos Bio desafiam uma premissa dominante na descoberta de fármacos baseada em estruturas: a de que pesquisadores podem projetar medicamentos em torno de um retrato molecular confiável.

O Topos-2 gera coleções de conformações de proteínas a partir de uma sequência de aminoácidos. O Topos-Bind acrescenta uma molécula de fármaco em potencial e prevê como o sistema proteína-ligante muda entre essas conformações. A Topos chama essas coleções de ensembles conformacionais, isto é, o intervalo e a distribuição relativa das formas que uma proteína pode assumir.

Essa distinção é relevante para proteínas intrinsecamente desordenadas, ou IDPs, que não possuem uma única estrutura tridimensional estável. Essas proteínas estão associadas à neurodegeneração, ao câncer e a distúrbios metabólicos. Ainda assim, os modelos entram em um campo competitivo que já inclui BioEmu, métodos derivados do AlphaFold, Boltz-2, Chai-1 e OpenFold3.

A Topos relatou resultados robustos em benchmarks e um estudo de caso com beta-amiloide. No entanto, suas alegações mais relevantes ainda dependem de comparações conduzidas pela própria empresa, dados de referência simulados e modelos que ainda não produziram um medicamento validado clinicamente.

Os Modelos de IA da Topos Bio Abordam Duas Lacunas Distintas

O Topos-2 modela como as proteínas se movem, enquanto o Topos-Bind pergunta como uma molécula pequena altera esse sistema em movimento.

O Topos-2 é um modelo generativo de todos os átomos. Ele recebe uma sequência de aminoácidos e produz múltiplas estruturas que representam possíveis estados da proteína. “Todos os átomos” significa que a saída inclui átomos individuais, em vez de uma representação simplificada de unidades moleculares maiores.

O modelo amplia o escopo do Topos-1. Esse sistema anterior se concentrava em proteínas desordenadas e em regiões desordenadas dentro de proteínas maiores. O Topos-2 abrange o espectro mais amplo, de proteínas ordenadas a sistemas parcial e totalmente desordenados.

Esse desenho diferencia o modelo de sistemas otimizados para retornar uma única estrutura provável. Uma estrutura única pode ser útil quando uma proteína se dobra em uma forma relativamente estável. Ela se torna menos informativa quando o movimento e a variabilidade estrutural influenciam o papel biológico da proteína.

A Topos afirma que o Topos-2 teve o melhor desempenho no framework independente PeptoneBench. Esse benchmark compara ensembles computacionais com medições de experimentos de ressonância magnética nuclear e espalhamento de raios X a baixo ângulo.

A empresa relatou uma pontuação composta reponderada de 1,11 para o Topos-2. O BioEmu, o segundo melhor sistema em sua comparação, obteve 1,49. Nesse benchmark, 1,0 representa concordância dentro da incerteza estimada das medições experimentais e computacionais.

A expressão “quatro vezes mais próximo” precisa de contexto. Ela compara a distância de cada pontuação em relação a 1,0, em vez de afirmar que o Topos-2 é quatro vezes mais preciso em todos os usos. As distâncias relatadas são 0,11 e 0,49, respectivamente.

O próprio PeptoneBench é separado da Topos. Seu repositório de benchmark público fornece código para avaliar ensembles previstos em relação a observáveis experimentais. Ele também instrui os participantes a gerar pelo menos 100 configurações para cada sequência.

O Topos-Bind enfrenta um segundo problema. Ele recebe uma sequência de proteína e uma molécula pequena representada como uma string SMILES, que codifica a estrutura molecular como texto. O modelo então gera um ensemble para o sistema combinado proteína-ligante.

Segundo o lançamento do modelo pela empresa, o Topos-Bind é o primeiro modelo generativo projetado especificamente para ensembles de proteínas desordenadas ligadas a moléculas pequenas. Essa alegação de prioridade ainda não recebeu validação independente ampla.

A Topos apresentou o Topos-Bind como uma prévia, em vez de tratá-lo como um produto concluído e amplamente disponível. A diferença é importante. O Topos-2 tem um resultado de benchmark externo, enquanto o Topos-Bind atualmente se apoia em um estudo de caso mais restrito da empresa.

Esse estudo de caso usa beta-amiloide, um peptídeo flexível associado à doença de Alzheimer. Em vez de buscar um complexo preferencial, o Topos-Bind estima como cada composto altera a distribuição das formas da beta-amiloide.

O lançamento, portanto, reúne duas etapas de um fluxo de descoberta proposto. O Topos-2 mapeia o alvo em movimento. O Topos-Bind tenta mapear como uma molécula candidata altera esse movimento.

Proteínas Dinâmicas Pressionam Fluxos de Trabalho de Estrutura Única

O lançamento pressiona fluxos de descoberta de fármacos construídos em torno de uma estrutura mais provável, mas não todos os sistemas de previsão de proteínas da mesma forma.

O design de fármacos baseado em estruturas frequentemente começa com um alvo tridimensional. Pesquisadores identificam bolsões, simulam interações e otimizam moléculas que se encaixam em arranjos favoráveis de átomos. Essa abordagem funciona melhor quando a estrutura selecionada representa um estado biologicamente significativo.

As IDPs complicam esse processo porque sua flexibilidade não é apenas ruído experimental. Suas estruturas mutáveis podem sustentar sinalização, transcrição, reconhecimento molecular e a formação de condensados biomoleculares dentro das células.

A Topos cita pesquisas que indicam que três em cada cinco proteínas humanas contêm regiões desordenadas com mais de 30 aminoácidos. Outras estimativas situam o conteúdo intrinsecamente desordenado em aproximadamente 30% a 40% do proteoma humano.

A porcentagem exata muda conforme as definições e os métodos de previsão. O problema subjacente não. Uma parcela considerável da biologia de proteínas relevante para doenças não pode ser representada adequadamente por uma estrutura fixa.

O AlphaFold mostrou com que precisão a IA pode prever dobramentos estáveis de proteínas a partir da sequência. Essa conquista criou um enorme recurso para a biologia, mas não tornou o movimento das proteínas irrelevante.

Um estudo de 2025 da Nature Communications descreveu proteínas desordenadas como sistemas que devem ser representados por ensembles estruturais. Os pesquisadores combinaram distâncias derivadas do AlphaFold com dinâmica molecular para gerar esses ensembles.

Esse trabalho ilustra a concorrência real. O campo não está dividido de maneira simples entre previsões estáticas do AlphaFold e uma alternativa da Topos. Várias equipes estão ampliando a previsão de estruturas com simulações, restrições experimentais e amostragem generativa.

O BioEmu também gera ensembles conformacionais de proteínas. Outras abordagens refinam as saídas do AlphaFold ou as usam como priors para dinâmica molecular. Esses métodos diferem em dados de treinamento, custo computacional, premissas físicas e dependência de medições experimentais.

A Topos faz uma aposta estratégica mais restrita. Ela se concentra no espectro ordem-desordem e pretende conectar a geração de ensembles diretamente ao design de moléculas pequenas.

Esse foco pressiona equipes que usam sistemas de docking ou cofolding que retornam um conjunto compacto de estruturas confiáveis. Essas ferramentas ainda podem ser valiosas para complexos estáveis. Tornam-se mais difíceis de interpretar quando um alvo permanece flexível antes e depois da ligação.

A Topos comparou o Topos-Bind com Boltz-2, Chai-1 e OpenFold3 em seu estudo de beta-amiloide. A empresa afirmou que as saídas desses sistemas se agruparam em conjuntos relativamente estreitos de formas compactas.

A empresa atribui esse resultado aos objetivos dos modelos concorrentes. Esses sistemas geralmente buscam previsões estruturais confiáveis, enquanto o Topos-Bind busca explicitamente uma distribuição de estados.

Essa comparação não demonstra que o Topos-Bind seja universalmente melhor. Ela mostra que um modelo otimizado para ensembles responde a uma pergunta diferente de um modelo otimizado para um complexo provável.

Para desenvolvedores de fármacos, a resposta imposta é metodológica. Equipes que trabalham com alvos dinâmicos precisam decidir se um único complexo previsto é suficiente ou se o comportamento do ensemble deve orientar a seleção de compostos.

A resposta se desenvolverá ao longo de anos, não de meses. Equipes de descoberta precisam conectar conformações previstas ao engajamento do alvo, aos efeitos celulares, à toxicidade e, por fim, aos resultados clínicos.

Por Que os Ensembles de Proteínas Mudam a Questão do Design de Fármacos

Para um alvo dinâmico, a pergunta útil não é apenas onde uma molécula se liga, mas como a ligação redistribui os possíveis estados da proteína.

Considere a beta-amiloide em sua forma monomérica. O peptídeo transita por muitas conformações, e alguns estados têm maior probabilidade de se associar a outras moléculas. Essas associações podem contribuir para processos de agregação ligados à patologia do Alzheimer.

Um fluxo de trabalho tradicional poderia buscar uma única pose de ligação contra uma estrutura selecionada de beta-amiloide. Um fluxo de trabalho baseado em ensembles pergunta se um composto altera a probabilidade de estados propensos à agregação em uma distribuição mais ampla.

A Topos testou o Topos-Bind usando beta-amiloide 1-42 com 22 moléculas pequenas. Os ensembles previstos pelo modelo reproduziram a ampla dispersão de tamanhos moleculares encontrada em simulações de dinâmica molecular geradas pela Topos.

A comparação usou o raio de giração, uma medida de quão compacta ou estendida é uma estrutura molecular. Uma distribuição mais ampla indica que a proteína explora estruturas com dimensões significativamente diferentes.

A Topos relatou que os outros modelos de cofolding avaliados comprimiram suas previsões em distribuições mais estreitas. Se esse padrão se confirmar experimentalmente, um fluxo de trabalho de estado único poderá deixar de identificar compostos que alteram o ensemble sem criar uma estrutura dominante.

No entanto, a referência foi a dinâmica molecular produzida pela própria Topos. A dinâmica molecular usa cálculos baseados em física para simular o movimento atômico ao longo do tempo, mas seus resultados dependem de campos de força, condições iniciais e escolhas de amostragem.

Experimentos físicos não revelam diretamente um ensemble atômico completo. Pesquisadores inferem ensembles combinando medições com modelos computacionais. Isso torna a avaliação mais complexa do que comparar uma estrutura cristalina prevista com uma estrutura experimental.

A Topos treinou sua abordagem com o Topos-DB, uma coleção proprietária que contém mais de 100.000 sistemas simulados de proteínas desordenadas e ligantes. A empresa afirma que isso é aproximadamente três vezes maior do que o corpus comparável seguinte em número de sistemas distintos.

O conjunto de dados é central para a vantagem relatada do modelo. Bancos de dados estruturais públicos contêm muitas estruturas de proteínas estáveis, mas muito menos ensembles atômicos de proteínas desordenadas interagindo com moléculas pequenas.

A geração de dados de simulação oferece escala onde os dados experimentais continuam escassos. Ela também introduz uma dependência: o modelo pode aprender padrões e vieses incorporados ao mecanismo de simulação que criou seus exemplos de treinamento.

A Topos tenta contrabalançar esse problema testando o Topos-2 em relação a medições experimentais de NMR e espalhamento. Seu resultado no PeptoneBench, portanto, tem mais peso do que uma comparação baseada apenas em trajetórias simuladas.

O Topos-Bind ainda não atingiu o mesmo nível de evidência. Seu trabalho com beta-amiloide pergunta se o modelo se assemelha à dinâmica molecular, não se seus efeitos previstos de ligantes correspondem a observações experimentais em muitos alvos.

Essa distinção define a tensão central por trás do lançamento. A Topos construiu um mecanismo adequado à biologia dinâmica, mas os dados necessários para validar esse mecanismo são excepcionalmente difíceis de obter.

A empresa está desenvolvendo ciclos de feedback experimental em paralelo ao seu trabalho computacional. Em março, a Topos anunciou uma colaboração com a Dalriada Drug Discovery envolvendo espectrometria de massa, quimioproteômica e medições em células vivas.

O programa experimental da Dalriada inclui perfilagem de engajamento com o alvo, mapeamento de peptídeos, cinética de ligação covalente e proteômica de mecanismo de ação. Esses métodos podem testar se as interações previstas ocorrem em sistemas biológicos.

Essa parceria reflete o que os modelos não conseguem determinar sozinhos. Um conjunto estrutural atraente continua sendo uma hipótese até que experimentos demonstrem ligação, seletividade, efeitos funcionais e comportamento aceitável em células.

Topos-2 Entra em uma Disputa Concorrida de Modelagem de Proteínas

A Topos compete pela especialização, enquanto plataformas maiores e mais bem financiadas ampliam a variedade de estados proteicos que conseguem representar.

BioEmu é o ponto de referência mais direto para o Topos-2 porque também gera conjuntos estruturais. A Topos usou o BioEmu como o segundo melhor comparador em seu resultado no PeptoneBench.

A pontuação relatada de 1,11 dá ao Topos-2 uma vantagem clara na métrica composta selecionada. Ainda assim, um único benchmark não pode resolver todas as questões relevantes para a descoberta de medicamentos.

O desempenho pode variar entre comprimentos de proteínas, famílias de sequências, condições ambientais e diferentes formas de desordem. Os conjuntos de dados de benchmark também podem se sobrepor conceitualmente às premissas usadas durante o desenvolvimento do modelo, mesmo sem vazamento direto do conjunto de treinamento.

Métodos derivados do AlphaFold apresentam outra abordagem. Pesquisadores podem usar as informações de distância previstas pelo AlphaFold como restrições e, em seguida, executar dinâmica molecular para construir um conjunto compatível com essas distâncias.

Essa estratégia híbrida combina um preditor de estruturas amplamente testado com simulações físicas estabelecidas. Ela também pode incorporar medições experimentais quando esses dados estão disponíveis.

Suas desvantagens incluem custo computacional e escolhas adicionais de modelagem. A Topos aposta que um modelo treinado para gerar conjuntos diretamente tornará o fluxo de trabalho mais rápido e escalável.

Boltz-2, Chai-1 e OpenFold3 ocupam uma categoria vizinha. Eles modelam estruturas e interações biomoleculares, incluindo complexos proteína-ligante, mas não são projetados principalmente para reproduzir distribuições completas de equilíbrio de alvos altamente desordenados.

A comparação do Topos-Bind com a beta-amiloide, portanto, testa uma divergência deliberada de objetivos. Isso é informativo, mas não representa uma disputa completa entre modelos de conjuntos igualmente especializados.

A corrida comercial vai além da precisão dos modelos. Uma plataforma útil para descoberta de medicamentos precisa identificar moléculas que possam ser sintetizadas, alcançar seus alvos, evitar interações prejudiciais e produzir efeitos terapêuticos.

A Topos entrou nessa corrida com capital limitado em comparação com grandes empresas farmacêuticas e os maiores laboratórios de IA. A empresa de San Francisco levantou uma rodada seed de US$ 10,5 milhões em janeiro de 2026.

Seus investidores incluem Boldstart, Threshold, Neo e investidores individuais. O financiamento sustenta uma plataforma ambiciosa, mas o desenvolvimento clínico de medicamentos pode consumir muito mais capital e tempo do que o treinamento de modelos por si só.

A Topos também participa do TuneLab, uma iniciativa que fornece acesso federado a modelos treinados com dados proprietários de desenvolvimento de medicamentos da Eli Lilly. O aprendizado federado permite que os participantes se beneficiem de modelos compartilhados sem reunir diretamente todos os registros privados subjacentes.

Essa relação pode fortalecer previsões envolvendo absorção, distribuição, metabolismo, excreção e toxicidade. Essas propriedades frequentemente determinam se uma molécula promissora pode se tornar um medicamento viável.

Ainda assim, nem financiamento nem acesso a dados resolvem o problema central de validação. A Topos precisa demonstrar que melhores previsões de conjuntos estruturais melhoram decisões em estágios posteriores da descoberta.

Uma melhoria modesta na classificação computacional pode ser valiosa se evitar experimentos caros com candidatos fracos. Uma melhoria dramática em benchmarks pode ter menos valor se não alterar quais compostos têm sucesso.

A questão competitiva, portanto, não é se a Topos consegue gerar movimento molecular visualmente convincente. É se sua especialização cria vantagens mensuráveis na descoberta de hits, na otimização de leads e no desenvolvimento terapêutico.

As Evidências São Mais Fortes para o Topos-2 do que para o Topos-Bind

O Topos-2 conta com um benchmark experimental independente, enquanto o Topos-Bind continua sendo uma prévia promissora, sustentada principalmente por evidências baseadas em simulação.

O PeptoneBench é um teste significativo porque abrange proteínas ordenadas e desordenadas. Seus conjuntos de dados incluem deslocamentos químicos de ressonância magnética nuclear e medições de espalhamento de raios X a baixo ângulo.

A Topos afirma que o benchmark inclui dados de NMR para 659 proteínas e dados de SAXS para 439 proteínas. A avaliação compara propriedades calculadas a partir dos conjuntos gerados com observações experimentais, em vez de selecionar uma única estrutura visualmente plausível.

Esse desenho está alinhado à tarefa que o Topos-2 afirma resolver. Ele recompensa distribuições que reproduzem medições calculadas como média de muitos estados moleculares em transformação.

No entanto, a Topos divulgou um resultado composto reponderado. A reponderação ajusta a contribuição relativa das estruturas geradas para melhorar a concordância com os dados experimentais. Trata-se de uma técnica reconhecida de refinamento de conjuntos, mas não é idêntica a uma previsão inteiramente prospectiva.

Os leitores devem, portanto, distinguir três níveis de evidência. O primeiro é a geração apenas a partir da sequência. O segundo é a concordância após refinamento com base em informações experimentais. O terceiro é o sucesso prospectivo em sistemas biológicos ainda não observados.

O anúncio público enfatiza o resultado composto, mas não fornece um artigo revisado por pares sobre o Topos-2 que estabeleça o desempenho em todas as condições relevantes de avaliação. A reprodução independente fortaleceria substancialmente a alegação.

O Topos-Bind enfrenta uma lacuna maior de evidências. Seus conjuntos de referência vêm do motor de dinâmica molecular da empresa, e seu banco de dados de treinamento também contém dados de simulação gerados pela empresa.

Essa configuração não invalida o resultado. Simulações são indispensáveis para estudar sistemas que escapam à medição estrutural direta. Ela significa, porém, que a avaliação pode favorecer premissas compartilhadas pelo modelo e pelo processo de referência.

O experimento com beta-amiloide também testa um conjunto limitado de 22 ligantes. Isso é suficiente para ilustrar o comportamento do modelo, mas não para estabelecer desempenho geral em alvos desordenados e classes químicas.

A biologia da doença acrescenta outra camada de incerteza. Prever com precisão que uma molécula altera um conjunto de beta-amiloide não estabelece que essa alteração reduza a agregação prejudicial em um sistema vivo.

A molécula precisa alcançar o tecido relevante, engajar o alvo, produzir a mudança funcional pretendida e evitar toxicidade inaceitável. Cada etapa pode romper a conexão entre uma previsão computacional e um medicamento.

A Topos reconhece a importância do trabalho experimental por meio de seus programas internos e colaborações. Sua parceria com a Dalriada visa especificamente o engajamento, a seletividade e os efeitos no nível das vias biológicas.

A empresa afirma que está aplicando os modelos a programas internos de neurodegeneração e oncologia. Ela não divulgou um candidato clínico produzido pelo Topos-2 ou pelo Topos-Bind.

Essa ausência é normal para uma empresa de biotecnologia em estágio inicial. Ela também define o que ainda não pode ser afirmado. Os modelos não provaram que alvos antes inacessíveis agora são passíveis de desenvolvimento farmacológico.

“Não farmacologizável” também é uma designação mutável. Ela frequentemente descreve alvos que não têm bolsões de ligação convencionais ou resistem a métodos estabelecidos de desenvolvimento. Isso não significa que nenhuma estratégia biológica ou terapêutica possa algum dia afetá-los.

A Topos apresentou uma rota plausível para esse território. Agora, a rota precisa de experimentos prospectivos que não tenham sido usados para construir, ajustar ou selecionar os modelos.

O Que Observar Após o Lançamento dos Modelos de IA da Topos Bio

Três sinais mostrarão se a modelagem de conjuntos se torna uma vantagem prática para a descoberta, em vez de apenas mais uma forte demonstração computacional.

O primeiro sinal é a validação técnica independente. Pesquisadores devem procurar um artigo detalhado sobre o Topos-2 ou Topos-Bind, configurações de avaliação divulgadas, resultados acessíveis e reprodução por grupos externos à empresa.

Resultados independentes próximos ao desempenho relatado no PeptoneBench fortaleceriam a posição do Topos-2. Grandes mudanças de desempenho sob configurações alternativas enfraqueceriam a alegação de que a vantagem é generalizável.

Para o Topos-Bind, a validação mais útil compararia conjuntos previstos e induzidos por ligantes com medições experimentais em várias proteínas desordenadas não relacionadas. Um único caso de beta-amiloide não pode estabelecer confiabilidade ampla.

O segundo sinal é o sucesso experimental prospectivo. A Topos e a Dalriada podem testar compostos selecionados com os modelos quanto ao engajamento com o alvo, à seletividade e a mudanças nas vias celulares relevantes.

Um teste cego seria especialmente informativo. A Topos poderia classificar compostos antes dos experimentos e, depois, divulgar se as moléculas mais bem classificadas superam seleções convencionais.

O enriquecimento repetido de compostos ativos fortaleceria o argumento em favor da descoberta baseada em conjuntos. A incapacidade de melhorar as taxas experimentais de hits sugeriria que movimentos aparentemente precisos ainda não orientam melhores decisões químicas.

O terceiro sinal é o avanço do pipeline. A Topos deverá, com o tempo, identificar programas específicos, marcos de desenvolvimento ou moléculas candidatas influenciadas pelo Topos-2 e pelo Topos-Bind.

Um candidato de desenvolvimento declarado não provaria valor clínico, mas mostraria que a plataforma apoia decisões que vão além de benchmarks retrospectivos. Dados posteriores de toxicologia e em humanos forneceriam testes progressivamente mais rigorosos.

As respostas dos concorrentes também importam dentro desses sinais. Sucessores do BioEmu, métodos de conjuntos baseados em AlphaFold e sistemas de simulação especializados continuarão a evoluir.

A Topos pode deter uma vantagem inicial em benchmarks focados em desordem sem manter uma liderança técnica duradoura. Sua defensabilidade pode vir, em vez disso, de dados proprietários de simulação, feedback experimental e experiência na seleção de compostos.

Para equipes de produtos de IA, esse lançamento oferece uma lição mais ampla sobre avaliação. O objetivo de um modelo, os dados de referência e a validação no mundo real devem corresponder à decisão que ele pretende melhorar.

Equipes que acompanham evidências entre lançamentos de modelos, experimentos e parcerias precisam de mais do que uma coleção de comunicados à imprensa. Uma base de conhecimento de IA pesquisável pode ajudar a conectar alegações de benchmark a validações posteriores.

A Topos identificou uma fraqueza real no pensamento baseado em estruturas únicas. Proteínas dinâmicas precisam de representações que preservem o movimento, em vez de condensá-lo em uma única resposta confiante.

A questão em aberto não é mais se os conjuntos de proteínas importam. É se os modelos de IA da Topos Bio os preveem com precisão suficiente para mudar quais compostos os pesquisadores desenvolvem, testam e avançam. Procure benchmarks independentes, resultados experimentais cegos e um candidato divulgado antes de considerar essa questão resolvida.