42 razy lepszy w 24 godziny. Anatomia maszyny do projektowania enzymów

Weź do ręki plastikową płytkę z 96 dołkami. W każdym z nich — przezroczysty płyn. Żadnych komórek. Żadnych bakterii. Tylko woda, aminokwasy, DNA i maszyneria transkrypcyjna wyizolowana z E. coli. W ciągu 24 godzin ten płyn wytwarza enzym, który nigdy wcześniej nie istniał w naturze. I robi to 42 razy wydajniej niż jego dziki przodek.

To nie scenariusz z laboratorium przyszłości. To platforma, którą zespół Michaela Jewetta z Northwestern University i Stanforda opisał w styczniu 2025 roku na łamach Nature Communications. Jej anatomia składa się z czterech warstw. Każda z nich reprezentuje osobny przełom — ale dopiero razem tworzą maszynę, która skraca inżynierię enzymów z miesięcy do godzin.

Rys. 1. Architektura platformy DBTL: od DNA przez ekspresję bezkomórkową po model ML. Źródło: Landwehr et al., Nature Communications 16, 865 (2025).

Warstwa 1: DNA — projekt, który mieści się na kartce

Pierwsza warstwa platformy jest najbardziej abstrakcyjna i najmniej kosztowna. Zaczyna się od wyboru aminokwasów, które mają zostać podmienione w enzymie.

Celem był McbA — amidowa syntetaza z morskiej bakterii Marinactinospora thermotolerans, odkrytej w 2012 roku w próbce osadów z Morza Południowochińskiego. Enzym ten naturalnie tworzy wiązania amidowe — motyw chemiczny obecny w około 25 procentach wszystkich leków na rynku, od przeciwbólowego paracetamolu po przeciwnowotworowy imatynib. Działa jak molekularna spawarka: chwyta kwas karboksylowy i aminę, po czym łączy je kosztem jednej cząsteczki ATP. Żadnych toksycznych rozpuszczalników, żadnych wysokich temperatur. Tylko woda, bufor i trifosforan adenozyny.

Tyle że dziki McbA jest kiepskim spawaczem do zadań specjalnych. W przesiewie 1100 reakcji z różnymi substratami — od prostych amin alifatycznych po złożone heterocykle — większość produktów pojawiała się w ilościach śladowych, wykrywalnych tylko spektrometrią mas. Tylko 11 z 21 testowanych cząsteczek farmaceutycznych dało się zobaczyć na chromatogramie UV. Najlepsze warianty osiągały konwersję około 12 procent.

Zespół Jewetta nie próbował zgadnąć, które aminokwasy wymienić. Użył kombinacji trzech narzędzi obliczeniowych: ROSETTA do modelowania strukturalnego, EVmutation do analizy trendów ewolucyjnych na podstawie setek pokrewnych sekwencji białkowych oraz PROSS do przewidywania stabilności termodynamicznej. Z 500 aminokwasów budujących McbA wytypowano 64 pozycje do mutagenezy. Zrobiono to w jeden dzień.

Każda mutacja — każda z 64 — została zaprojektowana jako pojedynczy starter PCR. Kilka nanogramów DNA. Koszt: kilkadziesiąt groszy za starter. W tym momencie platforma nie potrzebuje jeszcze żadnego zaawansowanego sprzętu. Potrzebuje tylko sekwencji genu McbA i dostępu do publicznych baz danych ewolucyjnych.

Warstwa 2: Ekspresja — zupa, która zastępuje komórkę

Druga warstwa to najbardziej radykalny element całej architektury. I ten, który odróżnia ją od klasycznej inżynierii białek praktykowanej przez ostatnie 30 lat.

Standardowa ścieżka wygląda tak: wprowadzasz zmutowany gen do E. coli przez transformację, czekasz na kolonie (overnight), namnażasz kulturę (kolejna noc), indukujesz ekspresję (kilka godzin), lizujesz komórki, oczyszczasz białko na kolumnie chromatograficznej. Potem testujesz. Jeśli nie działa — wracasz do punktu pierwszego. Jedna iteracja: 3-5 dni.

Zespół Jewetta pominął żywe komórki całkowicie.

System działa tak: do probówki trafia liniowy fragment DNA z mutacją (produkt PCR), który jest składany w pełny gen metodą Gibson Assembly — bez udziału komórek. Następnie dodaje się ekstrakt komórkowy zawierający rybosomy, polimerazy RNA, tRNA, aminokwasy i bufory energetyczne. To jak wyjęcie całej fabryki białek z komórki i umieszczenie jej w probówce. Żadnej ściany komórkowej. Żadnego metabolizmu bakteryjnego konkurującego o substraty. Tylko reakcja biochemiczna — transkrypcja i translacja zachodzące w tym samym naczyniu.

Całość od PCR do aktywnego enzymu zajmuje mniej niż 24 godziny. Jedna czwarta czasu klasycznej ścieżki. I — co kluczowe — nie wymaga sterylnych warunków hodowli. Probówka jest zamkniętym układem biochemicznym, niewrażliwym na kontaminację.

Liczba, która powinna zatrzymać na chwilę: 1217. Tyle wariantów McbA zespół wygenerował, każdy zdefiniowany sekwencją DNA, każdy wyprodukowany w tej samej bezkomórkowej "zupie". Żaden nie wymagał żywego organizmu. Żaden nie wymagał oczyszczania chromatograficznego — enzymy testowano bezpośrednio w mieszaninie reakcyjnej.

Warstwa 3: Test — 10 953 reakcji i zero komórek

Trzecia warstwa to moment prawdy. Warianty enzymu trafiają do mieszaniny reakcyjnej z kwasem i aminą. Stężenie enzymu: około 1 mikromola — tak niskie, że w klasycznym układzie z lizatem komórkowym nie dałoby się go odróżnić od białek gospodarza. Stężenie substratów: 25 milimoli. Po inkubacji — analiza HPLC.

Wśród 1100 reakcji z dzikim McbA odkryto wyraźny wzorzec preferencji. Kwasy arylowe, benzoesowe i cynamonowe — enzym przyjmował je sprawnie. Kwasy alifatyczne i tłuszczowe — praktycznie zero aktywności. Aminy pierwszorzędowe alifatyczne — bardzo dobrze. Aminy aromatyczne — ledwo co.

Ten etap ujawnił też nieoczekiwaną stereoselektywność. Dla sulpirydu — leku przeciwpsychotycznego z grupy benzamidów — McbA silnie preferował enancjomer S nad R. Różnica była widoczna gołym okiem na chromatogramie: jeden pik wysoki, drugiego praktycznie nie było. Enzym sam wybierał właściwą geometrię produktu, bez żadnych dodatkowych katalizatorów chiralnych. To ta sama selektywność, za którą przemysł farmaceutyczny płaci miliony, stosując kosztowne ligandy i niskotemperaturowe syntezy.

Z 1217 wariantów około 80 pojedynczych mutantów — z pierwszej rundy — trafiło do zbioru treningowego. Każdy z dokładnym procentem konwersji. Również te, które pogorszyły aktywność. Również te, które nie zmieniły nic. Każda porażka to punkt danych. Każda neutralna mutancja to informacja o tym, które pozycje w białku są ewolucyjnie zamrożone, a które plastyczne.

To fundamentalna różnica w stosunku do klasycznej ewolucji kierowanej. Tam selekcjonujesz tylko "zwycięzców" — najlepsze warianty z danej rundy. Resztę wyrzucasz. Tutaj każdy wariant, również ten gorszy od dzikiego typu, jest cennym punktem na mapie fitnessu. Bo model ML uczy się nie tylko z sukcesów, ale i z porażek.

Warstwa 4: Model — regresja z lat 70., która bije sieci neuronowe

Czwarta warstwa jest antyklimatyczna w najlepszym sensie tego słowa. Żadnych transformerów. Żadnych GPU. Żadnych miliardów parametrów. Tylko regresja grzbietowa — technika statystyczna wprowadzona w 1970 roku przez Hoerla i Kennarda — z dodatkową cechą: predykcją zero-shot z modelu ewolucyjnego EVmutation.

Każdy wariant enzymu został zakodowany jako wektor: enkoding one-hot pozycji aminokwasowej (20 bitów na pozycję — po jednym na każdy z 20 aminokwasów) plus skalar z EVmutation — liczba szacująca ewolucyjną zgodność danej mutacji z rodziną białek McbA.

Model trenował się na 77 mutantach. Nie potrzebował chmury — całość mieściła się na CPU standardowego laptopa. Zespół testował różne warianty: samą regresję, regresję z cechami z ESM-1b (model językowy białek od Mety), regresję z EVmutation. Najlepsze wyniki — mierzone przez NDCG, metrykę oceniającą zdolność modelu do poprawnego uszeregowania wariantów od najlepszego do najgorszego — dawała regresja augmentowana przez EVmutation. Prostsze modele generalizowały lepiej.

Co istotne: model działał na małym zbiorze treningowym celowo. Zespół testował, czy 77 mutantów to minimum, czy może wystarczy jeszcze mniej danych — bo to przekłada się bezpośrednio na koszt całego pipeline'u. Okazało się, że przy 30-40 mutantach jakość predykcji spada, ale wciąż pozwala zidentyfikować najlepsze warianty. Przy 77 — działa niezawodnie.

Wyniki na moklobenidzie — leku przeciwdepresyjnym z grupy inhibitorów MAO — były najbardziej spektakularne. Najlepszy przewidziany wariant osiągnął 96-procentową konwersję. Dla dzikiego typu było to 12 procent. Wydajność katalityczna — stosunek stałej katalitycznej do stałej Michaelisa, czyli ile cząsteczek produktu przypada na cząsteczkę enzymu na sekundę — wzrosła z 18,2 do 764 M⁻¹s⁻¹. To poprawa 42-krotna.

Nie każda mutacja była potrzebna. W wariancie dla moklobemidu pierwsza mutacja zrobiła praktycznie całą robotę. Druga (A323F) poprawiła wprawdzie stabilność termiczną o 5,81 stopnia Celsjusza — co ma znaczenie dla procesów przemysłowych, gdzie enzym pracuje godzinami w podwyższonej temperaturze — ale nie dodała już aktywności katalitycznej.

Dla itoprydu — leku prokinetycznego — poprawa wyniosła prawie 30 razy. Mediana poprawy aktywności dla wszystkich dziewięciu docelowych farmaceutyków przekroczyła 16 procent, przy czym każdy związek dostał własny, dedykowany wariant McbA.

Rys. 2. Aktywność katalityczna wariantów McbA dla 9 docelowych farmaceutyków. Źródło: Landwehr et al., Nature Communications 16, 865 (2025).

Wyścig, który już trwa

W styczniu 2025, gdy Jewett publikował te wyniki, rynek nie czekał. Codexis — kalifornijska firma, która w 2010 roku dostarczyła Merckowi transaminazę do syntezy sitagliptyny (Januvia) — notował przychody przekraczające 80 milionów dolarów rocznie z samej inżynierii enzymów. Novonesis, gigant enzymów przemysłowych powstały z fuzji Novozymes i Chr. Hansen, obsługiwał tysiące klientów w 30 krajach. Ginkgo Bioworks — bostoński startup, który zebrał ponad 2 miliardy dolarów na zautomatyzowane foundries do inżynierii biologii — projektował enzymy na zamówienie dla firm farmaceutycznych, kosmetycznych i spożywczych.

Frances Arnold z Caltechu dostała Nobla w 2018 za ewolucję kierowaną — technikę, która definiowała inżynierię enzymów przez 25 lat. David Baker z University of Washington — Nobel 2024 za projektowanie białek de novo. Jewett pokazał trzecią drogę: ani ewolucja przez selekcję, ani projektowanie od zera. Tylko platforma, która integruje dane z małej liczby eksperymentów i używa prostej statystyki do przewidywania, czego jeszcze nie zmierzono.

Różnica między platformą Jewetta a podejściem Arnold czy Bakera jest taka, jak między testowaniem każdego możliwego mostu przez budowanie go i sprawdzanie, czy się zawali, a użyciem modelu inżynierskiego, który mówi ci z góry, które projekty mają szansę. Ewolucja kierowana to pierwsze. Projektowanie de novo to drugie — ale wymaga obliczeniowo kosztownych symulacji fizycznych i działa dla stosunkowo prostych struktur. Platforma Jewetta to trzecia droga: statystyka na skromnym zbiorze danych, która znajduje optimum bez rozumienia fizyki problemu.

Rys. 3. Trzy ścieżki inżynierii enzymów — porównanie: ewolucja kierowana vs projektowanie de novo vs platforma ML-cell-free. Źródło: opracowanie własne na podstawie Landwehr et al. (2025).

Polska: znać każdą warstwę, nie mieć platformy

Polska biotechnologia ma elementy układanki. Instytut Chemii Organicznej PAN w Warszawie rozwija katalizę enzymatyczną. Centrum Nowych Technologii UW — obliczeniowe modelowanie białek. Politechnika Warszawska — skalowanie bioprocesów. IBIB PAN — inżynierię metaboliczną. Politechnika Wrocławska — immobilizację enzymów. Każde z tych miejsc posiada kompetencje odpowiadające jednej warstwie architektury Jewetta.

Brakuje integracji. Nikt nie połączył bezkomórkowej ekspresji, wysokoprzepustowych testów przesiewowych i modelowania ML w jedną platformę DBTL.

Polski przemysł farmaceutyczny to wie. Selvita — 324 miliony złotych przychodu, 900 pracowników, notowana na GPW — inwestuje w biologię strukturalną. Molecure i Ryvu Therapeutics rozwijają nowe leki. Polpharma produkuje setki ton API rocznie w Starogardzie Gdańskim. Żadna z tych firm nie ma dostępu do zintegrowanej platformy projektowania biokatalizatorów na miejscu.

Ścieżki finansowania istnieją. NCN MAESTRO: 2-3 miliony złotych na badania podstawowe nad bezkomórkową syntezą białek. PARP Ścieżka SMART: 10-15 milionów złotych na wdrożenie platformy DBTL w konsorcjum uczelnia-firma. FNP TEAM: kolejne kilka milionów na międzynarodowy zespół. Kwoty są adekwatne.

Problem leży gdzie indziej. Zespół Jewetta — sześcioro autorów — łączy kompetencje z biologii obliczeniowej, inżynierii biochemicznej, syntetycznej biologii i chemii analitycznej. W Polsce te dyscypliny siedzą w osobnych instytutach, na osobnych wydziałach, finansowane z osobnych grantów. Nikt nie złożył wniosku, który połączyłby je w jednym laboratorium.

A czas płynie. Codexis i Ginkgo Bioworks nie zatrzymają się, żeby Polska zdążyła. Za trzy lata polski przemysł farmaceutyczny będzie potrzebował biokatalizatorów do nowych syntez — i kupi je od kogoś, kto już dziś buduje czterowarstwową platformę.

Źródła

1. Landwehr G.M., Bogart J.W., Magalhaes C., Hammarlund E.G., Karim A.S., Jewett M.C., Accelerated enzyme engineering by machine-learning guided cell-free expression, Nature Communications, 16, 865 (2025). DOI: 10.1038/s41467-024-55399-0