Propomos uma arquitetura transformer equivariante para predição de estruturas proteicas que preserva simetrias rotacionais e translacionais intrinsecamente, sem pós-processamento. Avaliamos o modelo no conjunto de dados AlphaFold-DB com mais de 200 milhões de estruturas e demonstramos que nossa abordagem atinge acurácia comparável ao estado da arte com 40% menos parâmetros. Além disso, o modelo exibe capacidade de transferência superior em domínios proteicos não vistos durante o treinamento, sugerindo maior generalização estrutural. Este trabalho abre caminhos para sistemas de descoberta de fármacos mais eficientes e interpretáveis.