41-krotny wzrost z tej samej cząsteczki. AI nauczyła się czytać mRNA lepiej niż natura

Gdyby ktoś w grudniu 2020 roku powiedział, że mRNA to technologia, która wciąż nie rozwiązała swojego największego problemu — zostałby wyśmiany. Szczepionki COVID-19 dowiodły, że działa. Miliony dawek, miliardy dolarów, Noble. Koniec historii.

Nie koniec.

Bo te same właściwości, które uczyniły mRNA rewolucją w wakcynologii — kruchość cząsteczki, krótki czas życia, gwałtowny spadek ekspresji po kilku dniach — okazały się murem dla każdej kolejnej aplikacji. Terapii nowotworowej. Edycji genów. Medycyny spersonalizowanej. Za każdym razem ten sam problem: mRNA rozpada się, zanim zdąży zrobić to, czego od niego oczekujemy.

W listopadzie 2025 roku zespół z Raina Biosciences i Harvardu opublikował w Science pracę, która ten mur przebija. Nie przez lepszą chemię. Nie przez modyfikację nukleotydów. Przez coś znacznie prostszego i znacznie trudniejszego jednocześnie: nauczenie AI czytania mRNA tak, jak natura to robi od miliarda lat.

Ściana #1: Dlaczego mRNA jest tak uparcie nietrwałe

Messenger RNA to nie jest stabilna konstrukcja. Półokres rozpadu większości cząsteczek mRNA w komórce to minuty — czasem mniej niż kwadrans. To celowe: natura używa mRNA jako sygnału tymczasowego. Gen w DNA to biblioteka na pokolenia, mRNA to samoprzylepna karteczka — ma przekazać instrukcję i zniknąć.

Dla szczepionki COVID-19 to wystarczało. Kilka dni produkcji białka spike'a — układ odpornościowy zapamiętuje, gotowe. Ale dla terapii, która wymaga tygodni stałego poziomu białka terapeutycznego we krwi — jak erytropoetyna przy anemii czy enzymy zastępcze w chorobach metabolicznych — ten sam mechanizm jest katastrofą. Białko pojawia się na kilka godzin i znika. Pacjent potrzebuje wlewu co kilka dni. Ekonomia nie działa.

Przez dwie dekady odpowiedzią inżynierów mRNA była chemia: modyfikowane nukleotydy, czapeczki na końcu 5', zmodyfikowane ogony poli-A. Każdy z tych tricków dodawał godziny, czasem dni. Ale wciąż byliśmy o rząd wielkości poniżej tego, czego wymagają terapie przewlekłe.

Fałszywy trop: optymalizacja kodonów

Wydawało się, że rozwiązanie jest na wyciągnięcie ręki. Skoro sekwencja nukleotydów determinuje stabilność i tempo translacji, to wystarczy ją zoptymalizować. Przemysł biotechnologiczny robił to od lat: algorytm przegląda sekwencję aminokwasów, dla każdego wybiera kodon preferowany przez dany organizm, podmienia — i gotowe. Kodony to trójki nukleotydów kodujące aminokwasy. Ponieważ jeden aminokwas może być kodowany przez kilka różnych kodonów, można wybrać te "najszybsze" dla ludzkiego rybosomu.

Działało. Przynajmniej na papierze. Optymalizacja kodonów poprawiała ekspresję o 2–5 razy w testach laboratoryjnych. Firmy jak Moderna, BioNTech czy CureVac wbudowały ją w swoje platformy projektowania mRNA. Inwestorzy kiwali głowami — "optymalizacja kodonów" brzmiała jak inżynieryjna dojrzałość. Jak problem rozwiązany.

Tyle że nie był rozwiązany. Bo algorytmy optymalizacji kodonów są deterministyczne. Patrzą na sekwencję aminokwasów i wybierają kodon na podstawie prostej reguły. Nie widzą struktury RNA. Nie widzą, że zmiana jednego kodonu może zwinąć całą cząsteczkę w supeł — albo przeciwnie, rozplątać ją tak, że egzonukleazy rozłożą ją w sekundy. Kodony to nie są niezależne koraliki na sznurku — to elementy trójwymiarowej układanki, w której każda zmiana pociąga za sobą kaskadę konsekwencji strukturalnych.

Wynik? Optymalizacja kodonów poprawiała ekspresję w probówce. W żywym organizmie — czasem działała, czasem szkodziła. Bez reguły. Bez przewidywalności.

Dlaczego to nie mogło zadziałać — i czego nas to nauczyło

RNA nie jest liniowe. To jedna z pierwszych lekcji biologii molekularnej, którą inżynieria mRNA konsekwentnie ignorowała. Cząsteczka RNA zwija się sama w struktury drugorzędowe — spinki do włosów, pętle, pseudowęzły — które decydują o tym, czy rybosom w ogóle do niej dotrze, czy egzonukleaza rozłoży ją, zanim translacja się rozpocznie.

Optymalizacja kodonów zakłada, że każda pozycja jest niezależna. To tak, jakby przepisywać powieść, zmieniając po jednym słowie na stronie, nie patrząc na kontekst. Można zamienić "zamek" na "pałac" — słownikowo to synonim — ale gdy w następnym zdaniu jest "klucz", czytelnik się gubi.

Dodatkowy problem: niekodujące regiony mRNA — UTR na końcach 5' i 3' — które w optymalizacji kodonów są zwykle ignorowane. A to właśnie one, jak odkryto w ostatnich latach, są głównymi regulatorami stabilności. Sekwencje w UTR mogą przyciągać białka wiążące RNA, które albo chronią transkrypt, albo wysyłają go na śmietnik. Ignorowanie UTR to jak projektowanie samochodu bez układu hamulcowego i kierownicy — bo przecież silnik jest najważniejszy.

Przełom: AI, która czyta mRNA jak język

Zespół He Zhanga podszedł do problemu od drugiej strony. Zamiast optymalizować sekwencję nukleotyd po nukleotydzie, zbudowali model głębokiego uczenia — GEMORNA — który traktuje mRNA jak język. Transformer, ta sama architektura co w GPT-4, tylko wytrenowana nie na tekście, ale na dziesiątkach tysięcy sekwencji mRNA z ich zmierzonymi poziomami ekspresji i stabilności.

Model uczy się "gramatyki" mRNA: które kombinacje kodonów współgrają ze sobą strukturalnie, które sekwencje UTR chronią transkrypt, gdzie wstawić sekwencje regulatorowe, żeby rybosom nie zwalniał w kluczowych momentach. Nie chodzi o wybór "najlepszego" kodonu dla każdej pozycji — chodzi o zaprojektowanie całej sekwencji, od czapeczki po ogon poli-A, jako zintegrowanej całości.

Wyniki są uderzające. W testach in vitro mRNA zaprojektowane przez GEMORNA dało 41-krotnie wyższą ekspresję lucyferazy niż zoptymalizowana sekwencja referencyjna — nie surowa, tylko już zoptymalizowana kodonowo. Czterdzieści jeden razy więcej białka z tej samej ilości mRNA. Dla terapeutycznej erytropoetyny — hormonu stymulującego produkcję czerwonych krwinek — wzrost był 15-krotny. U myszy szczepionka COVID-19 zaprojektowana przez GEMORNA wywołała istotnie wyższe miana przeciwciał.

Ale najciekawsze jest to, czego model NIE robi. Nie wymaga danych strukturalnych — nie potrzebuje znać trójwymiarowego zwinięcia RNA. Nie potrzebuje eksperymentów na mokro dla każdego nowego genu. Uczy się z danych sekwencyjnych i eksperymentalnych, i generalizuje na nowe sekwencje, których nigdy nie widział. To oznacza, że można go zastosować do dowolnego białka terapeutycznego — od przeciwciał przez enzymy po edytory genów — bez dodatkowych eksperymentów.

Jest jeszcze bonus: GEMORNA działa też na koliste RNA — formę mRNA, która jest jeszcze stabilniejsza niż liniowa, ale znacznie trudniejsza do zaprojektowania. W eksperymencie z komórkami CAR-T — limfocytami T modyfikowanymi do walki z nowotworami — koliste mRNA zaprojektowane przez GEMORNA zwiększyło cytotoksyczność przeciwnowotworową.

Wyścig, którego nie widać

Praca Zhanga nie jest jedynym głosem w tej dyskusji. W ciągu ostatnich 18 miesięcy kilka zespołów opublikowało podobne podejścia łączące deep learning z projektowaniem mRNA.

Broad Institute we współpracy z MIT opracował model oparty na grafowych sieciach neuronowych, który przewiduje strukturę drugorzędową mRNA i jej wpływ na translację. Zespół ze Stanford połączył modele języka naturalnego z danymi rybosomalnego profilowania — techniki, która mierzy, gdzie dokładnie rybosomy zwalniają lub utykają na transkrypcie. Moderna i BioNTech — dwie firmy, które zdominowały rynek szczepionek mRNA — prowadzą wewnętrzne programy AI do projektowania sekwencji, ale ich wyniki są objęte tajemnicą handlową.

Różnica GEMORNA polega na skali: jako pierwsze rozwiązanie obejmuje całą sekwencję — regiony kodujące i niekodujące — w jednym modelu, z walidacją na wielu typach komórek i organizmach. Broad Institute pracuje głównie na danych z komórek HEK293 (linia laboratoryjna). Stanford — na lizatach retikulocytów królika. GEMORNA była testowana na komórkach ludzkich, mysich i w żywych zwierzętach.

Ale największą przewagą Zhanga nie jest sam model. Jest nią Raina Biosciences — firma, która za nim stoi. Raina ma siedziby w Cambridge (Massachusetts) i Pekinie, co daje jej dostęp zarówno do amerykańskiego kapitału venture, jak i chińskiej skali produkcji. Model biznesowy jest czytelny: GEMORNA jako platforma projektowa, licencjonowana firmom farmaceutycznym do optymalizacji ich własnych kandydatów terapeutycznych. To nie jest sprzedaż leku — to sprzedaż narzędzia, które robi leki lepszymi.

Już to robią. Tylko nie w Europie.

Stawka rynkowa nie jest abstrakcyjna. Sam rynek terapeutyków mRNA poza szczepionkami — onkologia, choroby rzadkie, medycyna regeneracyjna — był wart około 2 miliardów dolarów w 2024 roku. Prognozy na 2030 mówią o 15–25 miliardach, zakładając że branża rozwiąże właśnie problem stabilności i czasu ekspresji.

Moderna inwestuje w AI do projektowania mRNA od 2021 roku — wtedy zatrudniła zespół 15 inżynierów machine learning do optymalizacji swoich konstruktów terapeutycznych. BioNTech poszedł dalej: w 2023 roku przejął brytyjską firmę InstaDeep za 550 milionów dolarów, właśnie po to, by zintegrować deep learning z platformą mRNA. CureVac — trzeci zawodnik, który przegrał wyścig szczepionkowy — postawił wszystko na stabilność: ich podejście do projektowania mRNA przez AI jest ostatnią szansą na powrót do gry.

Tymczasem w Europie kontynentalnej nie ma ani jednej firmy, która łączyłaby AI i mRNA w zintegrowaną platformę projektową na skalę GEMORNA. ETH Zurich ma doskonałe laboratorium RNA, DeepMind ma biuro w Londynie — ale nikt nie siadł do jednego stołu. To samo dotyczy Polski.

Polska: między RNA a sztuczną inteligencją

Polska ma dwa z trzech składników tego wyścigu. Nie ma trzeciego.

Ma kompetencje w RNA. Instytut Chemii Bioorganicznej PAN w Poznaniu od lat pracuje nad chemią kwasów nukleinowych — to tam powstały fundamenty chemii modyfikowanych nukleotydów, które umożliwiły pierwszą generację szczepionek mRNA. Molecure, notowana na GPW spółka biotechnologiczna (dawniej OncoArendi), rozwija terapeutyki oparte na małych cząsteczkach modulujących RNA. Mabion, choć specjalizuje się w białkach, ma kompetencje produkcyjne, które — przy odpowiednich inwestycjach — mogłyby obsłużyć linię mRNA.

Ma kompetencje w AI. IDEAS NCBR, Centrum Nowych Technologii UW, Politechnika Warszawska — instytucje z udokumentowanym dorobkiem w deep learningu, przetwarzaniu języka naturalnego i bioinformatyce. Wystarczy spojrzeć na publikacje z ostatnich dwóch lat: polskie zespoły regularnie publikują w NeurIPS, ICML i ICLR.

Nie ma trzeciego składnika: integracji. Nikt nie łączy tych dwóch światów w jeden program badawczy typu "AI do projektowania RNA". To nie jest wina instytucji — to wina systemu grantowego, który finansuje albo biologię molekularną, albo AI, ale rzadko obie naraz w jednym konsorcjum.

Paradoksalnie, najbliżej są firmy, nie uczelnie. Molecure zatrudnia i biologów obliczeniowych, i chemików RNA — ale w skali pojedynczego projektu terapeutycznego, nie platformy technologicznej. Żeby zbudować polski GEMORNA, potrzeba 5–7 milionów złotych na 3-letni program łączący laboratorium mokre (pomiary ekspresji) z laboratorium suchym (modele deep learning). PARP w programie Ścieżka SMART finansuje projekty B+R w tej skali — pod warunkiem, że wniosek wygra w konkurencji z setkami innych.

Źródła

Zhang H., Liu H., Xu Y. et al., Deep generative models design mRNA sequences with enhanced translational capacity and stability, Science, 390 (2025). DOI: 10.1126/science.adr8470

Rohner E., Yang R., Foo K.S. et al., Unlocking the promise of mRNA therapeutics, Nature Biotechnology, 40 (2022). DOI: 10.1038/s41587-022-01491-z

Chaudhary N., Weissman D., Whitehead K.A., mRNA vaccines for infectious diseases: principles, delivery and clinical translation, Nature Reviews Drug Discovery, 20 (2021). DOI: 10.1038/s41573-021-00283-5