Učí se hledat úplně jiné aminokyselinové sekvence schopné vytvořit požadovanou strukturu. Pokud se podobný přístup podaří dovést z počítače do laboratoří, mohl by jednou vést k novým lékům, enzymům pro chemické reakce, které příroda neumí, biosenzorům nebo biologickým materiálům navrženým přímo pro konkrétní úkol.
Evoluce vytvořila nepředstavitelné množství proteinů. Pořád ale vybírala jen z malé části možností
Protein lze zjednodušeně představit jako dlouhý řetězec aminokyselin, který se složí do určitého trojrozměrného tvaru. Právě tento tvar výrazně ovlivňuje jeho funkci. Jedny proteiny přenášejí látky, jiné rozeznávají konkrétní molekuly, další fungují jako enzymy a urychlují chemické reakce. Bez proteinů by neexistovaly svaly, protilátky, buněčné receptory ani obrovská část procesů, které udržují organismus při životě.
Možných sekvencí je však absurdní množství. Už řetězec dlouhý sto aminokyselin může být teoreticky sestaven ve 20<sup>100</sup> variantách. Naprostá většina z nich samozřejmě nebude tvořit stabilní a užitečný protein, jenže i nepatrný zlomek tak obrovského prostoru představuje množství možností, které nemohla evoluce během historie života fyzicky vyzkoušet.
Navíc nikdy nepracovala jako konstruktér, který začne od nuly a hledá nejlepší možné řešení. Každý nový protein vznikal postupnou změnou něčeho, co už existovalo. Každý mezikrok musel být slučitelný s přežitím a rozmnožováním organismu. Pokud tedy existuje výborně fungující protein, ke kterému by vedla evoluční cesta přes několik nevýhodných nebo smrtících mezistupňů, příroda se k němu pravděpodobně nikdy nedostala.
To vede k podstatné myšlence: proteiny současného života nejsou katalogem všeho, co může fungovat. Jsou katalogem toho, k čemu se evoluce dokázala dostat.
Umělá inteligence se dlouho učila podle odpovědí, které už znala příroda
Právě zde vědci narazili na problém při používání strojového učení pro návrh proteinů. Častým úkolem je vzít požadovanou trojrozměrnou strukturu a nechat model navrhnout sekvenci aminokyselin, která by se do takového tvaru mohla složit.
Jak ale poznat, zda je model dobrý?
Jedním z používaných měřítek je takzvané native sequence recovery. Model dostane známou strukturu přírodního proteinu a hodnotí se podle toho, jak dobře dokáže zpětně odhadnout skutečnou sekvenci aminokyselin, kterou používá příroda.
Autoři práce publikované v roce 2026 v Proceedings of the National Academy of Sciences však upozorňují, že právě tady může být chyba. Stejný nebo velmi podobný prostorový tvar totiž nemusí vytvářet jediná sekvence. Existovat může mnoho různých aminokyselinových řetězců schopných složit se do stejné struktury. Model tak může přijít s naprosto životaschopnou alternativou a přesto získat horší skóre pouze proto, že neuhodl řešení, které kdysi vybrala evoluce.
Je to trochu jako dát studentovi úkol postavit most a hodnotit ho podle toho, zda použil přesně stejné šrouby jako jeho předchůdce. Přitom skutečná otázka zní, zda most stojí.
PottsMPNN nehledá kopii. Snaží se pochopit, proč protein drží pohromadě
Foster Birnbaum a Amy Keating z MIT proto vytvořili framework PottsMPNN. Jeho cílem není pouze předvídat, kterou aminokyselinu by na určité místo umístila příroda. Modeluje také vztah mezi složením sekvence a energetickou stabilitou výsledného proteinu.
Zásadní je přitom skutečnost, že aminokyseliny nefungují izolovaně. Změna jednoho místa v proteinu může být neškodná v určité kombinaci se sousedními aminokyselinami a velmi problematická v jiné. PottsMPNN proto zachycuje také párové interakce mezi jednotlivými místy v molekule a snaží se vytvořit realističtější mapu takzvané sekvenčně-energetické krajiny.
Výsledek byl na první pohled paradoxní. Když výzkumníci model naučili méně lpět na přírodních sekvencích, zhoršil se právě v jejich kopírování. Současně se ale zlepšila kompatibilita navrhovaných sekvencí s požadovanou strukturou a schopnost předvídat energetické důsledky mutací. Jinými slovy: byl horší v opisování přírody, ale lepší v některých vlastnostech důležitých pro samotný proteinový design.
A to je přesně to, co vědci potřebují ve chvíli, kdy chtějí navrhnout strukturu, která v přírodě vůbec neexistuje. U ní totiž žádná původní sekvence není a není co kopírovat.
K čemu potřebujeme proteiny, které příroda nikdy nevytvořila
Právě tady začíná být výzkum mnohem zajímavější než samotná schopnost vytvořit neobvyklou molekulu. Protein je biologický nástroj. Pokud se naučíme navrhovat jeho tvar a vlastnosti na objednávku, můžeme se jednou přestat ptát, zda příroda náhodou vytvořila něco vhodného pro náš problém.
V medicíně by nové proteiny mohly být navrženy například tak, aby se velmi přesně vázaly na molekulu spojenou s určitým nádorem, virem nebo jiným onemocněním. Už současný proteinový design se využívá při vývoji terapeutických molekul, vakcinačních antigenů, antivirotik nebo systémů pro dopravu léčiv. De novo design slibuje možnost vytvářet molekuly s vlastnostmi, pro které v přírodě nemusí existovat vhodná předloha.
Ještě větší prostor mohou nabídnout enzymy. Ty fungují jako molekulární katalyzátory a umožňují chemické reakce, které by bez nich probíhaly pomalu nebo by vyžadovaly vysoké teploty, tlak či agresivní chemikálie. AI řízený de novo design se proto zkoumá jako cesta k enzymům s novými katalytickými funkcemi, vyšší stabilitou nebo vlastnostmi přizpůsobenými průmyslové výrobě. Potenciální využití sahá od farmacie přes výrobu chemikálií až po ekologičtější průmyslové procesy.
Další oblastí jsou biosenzory, které by dokázaly zachytit přesně vybranou látku, nové biomateriály nebo syntetické biologické systémy. Proteinový design je například jedním z nástrojů, s nimiž se počítá při konstrukci syntetických buněk, kde vědci potřebují sestavit funkce, které v žádném existujícím organismu nenajdou v požadované podobě.
Rozdíl oproti klasické biologii je zásadní. Po většinu historie jsme hledali, co už příroda vyrobila, a následně se to snažili využít nebo upravit. De novo design směřuje k opačnému postupu: nejprve řekneme, co má molekula dělat, a potom se pokusíme vytvořit protein, který tento úkol splní.
AI tím ale zatím nevytvořila novou formu života
Právě zde je zároveň hranice mezi skutečným výsledkem studie a tím, kam může technologie jednou dojít.
PottsMPNN není stroj, do kterého vědec zadá „vytvoř lék na rakovinu“ a za chvíli z něj vypadne hotový protein. Nová práce především ukazuje lepší způsob, jak navrhovat sekvence pro dané struktury a jak hodnotit jejich energetické vlastnosti. Autoři sami mluví o posunu směrem k užitečným „new-to-nature“ proteinům, nikoli o jejich automatickém vytváření pro libovolnou funkci.
Počítačový návrh navíc není konečným důkazem, že molekula bude fungovat. Kandidátní protein je potřeba syntetizovat a experimentálně ověřit, zda se opravdu správně složí, zda je dostatečně stabilní, zda vykonává požadovanou funkci a zda se v reálném biologickém prostředí nechová úplně jinak, než předpokládal model. Právě laboratorní validace a následná optimalizace zůstávají jednou z hlavních překážek mezi rychle se rozvíjejícím de novo designem a jeho širším využitím například v medicíně.
To ale na významu nové práce příliš neubírá. Pokud hodnotíme umělou inteligenci podle toho, jak přesně dokáže zopakovat odpovědi nalezené evolucí, můžeme ji nevědomky držet právě v prostoru, který už příroda prozkoumala.
Biologie se může změnit z objevování na navrhování
Po miliardy let byla evoluce jediným konstruktérem proteinů na Zemi. Člověk je nejprve pouze pozoroval, později je začal izolovat, vyrábět, upravovat a cíleně měnit. Teď se postupně objevuje další možnost: navrhnout molekulární nástroj bez toho, aby jeho základ musel pocházet z něčeho, co už někdy žilo.
Přírodní proteiny mohou být jen jednotlivými ostrovy v téměř nepředstavitelně rozsáhlém oceánu možných sekvencí. Evoluce objevila ty, ke kterým vedla schůdná cesta přes přeživší organismy a jejich předky. Umělá inteligence může některé z těchto historických hranic přeskočit a hledat přímo tam, kam se evoluce nikdy nedostala.
Pokud se tento přístup osvědčí, nemusí být největší změnou skutečnost, že počítače vytvoří několik zvláštních proteinů. Mnohem zásadnější bude změna samotné otázky, kterou biologii klademe.
Doposud jsme se většinou ptali: Co příroda umí a jak toho můžeme využít?
Jednou se možná budeme stále častěji ptát: Co potřebujeme, aby uměla?
MOHLO BY SE VÁM TAKÉ LÍBIT
Zdroje: Kód Enigma [1], Proceedings of the National Academy of Sciences – Beyond native sequence recovery: Improved modeling of the sequence-energy landscape of protein structures [2], MIT News – Looking beyond natural sequences [3], Nature Reviews Bioengineering – AI-driven protein design [4], Biotechnology Advances – AI-driven de novo enzyme design: Strategies, applications, and future prospects [5]