Enzym na zamówienie. Od Nobla do atomowej precyzji

Sztokholm, 10 grudnia 2024

David Baker odbiera Nagrodę Nobla z chemii. Na scenie sztokholmskiego Konserthuset, w białym krawacie i czarnym fraku, mówi o projektowaniu białek. O algorytmach, które uczą się języka ewolucji — tego samego, którym natura pisała przez cztery miliardy lat. Szwedzka rodzina królewska słucha. Kamery transmitują na cały świat.

Baker pracuje nad tym od trzydziestu lat. Przyszedł do biologii z fizyki — nietypowa ścieżka. Jako postdoc w Berkeley w latach 90. programował pierwsze wersje Rosetty, która miała rozwiązać problem zwijania białek: jak z sekwencji aminokwasów przewidzieć trójwymiarową strukturę.

Problem uważano wtedy za nierozwiązywalny obliczeniowo. Baker go rozwiązał.

Trzy miesiące po ceremonii noblowskiej jego zespół publikuje pracę, która dowodzi, że Nobel był tylko przystankiem. Woody Ahern, Jason Yim i Doug Tischer — trzech młodych naukowców z Institute for Protein Design w Seattle — o 23:47 patrzy na wyniki najnowszego eksperymentu. RFdiffusion2, nowy model głębokiego uczenia, właśnie zaprojektował enzym od zera. Nie przez dopasowanie do istniejącego rusztowania. Nie przez naśladowanie natury. Algorytm dostał współrzędne atomów w przestrzeni — i wymyślił białko, które je utrzymuje.

Baker siedzi obok. Patrzy na ekran. Wie, że właśnie zamknęło się koło, które sam otworzył — i sam omal nie zamknął przedwcześnie — w 2008 roku.

Pierwszy enzym. I pierwsza porażka

W 2008 roku zespół Bakera opublikował w Nature pracę, która przeszła do historii biologii strukturalnej: pierwszy enzym zaprojektowany w całości przez komputer. Katalizator reakcji Kemp eliminacji — nieużywanej przez żaden znany organizm. Natura nigdy nie wyewoluowała tego białka. Zaprojektował je człowiek.

Był tylko jeden problem. Enzym działał — ale koszmarnie wolno. Wartość katalityczna pięć rzędów wielkości poniżej naturalnych odpowiedników. `kcat/Km` na poziomie 0,1–1 M⁻¹s⁻¹ — dla porównania, przeciętny enzym w twoim żołądku działa z szybkością ~10⁵ M⁻¹s⁻¹.

To tak, jakby architekt zaprojektował dom, który stoi — ale nie da się w nim mieszkać. Fundamenty trzymają, ściany nie pękają, tylko drzwi się nie otwierają.

Baker spędził następną dekadę próbując ten dom naprawić. Skierowana ewolucja w laboratorium — metoda naśladująca darwinowski dobór, tyle że w probówce — dała 200-krotny wzrost aktywności. Wciąż za mało. Każdy kolejny eksperyment: nowe mutacje, nowe testy, nowe rozczarowania. Pięć lat. Dziesięć.

„Powiedziałem mojemu zespołowi, żeby przestał marnować czas na ten enzym" — przyznał później Baker. Wypowiedział te słowa na głos. Na spotkaniu grupy, przy wszystkich. Skończyły mu się pomysły.

Inni badacze mieli podobne doświadczenia. David Hilvert z ETH Zurich zaprojektował alternatywną ścieżkę katalityczną i dostał... kolejny powolny enzym. Pole projektowania enzymów — jeszcze w 2015 roku obiecujące, finansowane przez DARPA i Gates Foundation — zaczęło pachnieć porażką.

Problem był fundamentalny, nie przypadkowy. Poprzednie metody, jak RosettaMatch, przeszukiwały miliony istniejących struktur białkowych w poszukiwaniu rusztowania dla centrum aktywnego. Znajdowały coś — i upychały tam enzym. Ale geometria nigdy nie była idealna. Zawsze coś wystawało. Zawsze jeden wiązanie wodorowe było o 0,3 ångströma za daleko. W katalizie enzymatycznej 0,3 Å to przepaść.

Baker to rozumiał lepiej niż ktokolwiek. I to go bolało.

Architekt, który dostał nowe narzędzie

Przełom przyszedł z nieoczekiwanej strony: z modeli dyfuzyjnych, tej samej architektury, która napędza generatory obrazów. AlphaFold2 w 2020 roku rozwiązał problem przewidywania struktury — ale dla Bakera ważniejsze było coś innego. Jeśli sieć neuronowa potrafi przewidzieć, jak zwinie się dany łańcuch aminokwasów, to czy potrafi też działać w drugą stronę? Wygenerować nowy łańcuch dla zadanej struktury?

W 2022 roku laboratorium Bakera pokazało, że tak. RFdiffusion — nazwany tak od swojego poprzednika RoseTTAFold — działał jak architekt, który nie musi już wybierać z katalogu gotowych domów. Bierze kartkę i rysuje od zera. Model dyfuzyjny, nauczony na setkach tysięcy znanych struktur, stopniowo „odszumiał" losowe współrzędne atomów, aż wyłaniał się stabilny łańcuch białkowy.

Tylko że wciąż rysował na poziomie szkieletu — łańcucha głównego. Nie potrafił umieszczać konkretnych atomów w konkretnych miejscach.

Baker potrzebował czegoś więcej. Enzym to nie tylko kształt. To precyzyjne ustawienie kilku — dokładnie kilku — grup funkcyjnych wokół stanu przejściowego reakcji. Atom tlenu tutaj. Grupa aminowa pod kątem 109 stopni. Jon metalu w odległości 2,1 Å od substratu. Jeśli którykolwiek z tych elementów przesunie się o ułamek ångströma — enzym przestaje działać. Dokładnie tak, jak w 2008 roku.

RFdiffusion2, opisany w styczniu 2026 roku w Nature Methods, usuwa to ograniczenie.

Zamiast projektować szkielet, a potem dokładać do niego łańcuchy boczne — standardowa procedura we wszystkich wcześniejszych metodach — nowy model operuje od razu na poziomie atomów. Dostał opis centrum aktywnego jako zestawu współrzędnych XYZ. Bez podpowiedzi, które aminokwasy tam pasują. Bez listy dozwolonych konformacji.

I z tego opisu generuje całe białko.

Skala różnicy: poprzednie metody potrafiły zaprojektować rusztowanie dla 16 z 41 centrów aktywnych w zestawie testowym. RFdiffusion2 — dla wszystkich 41. Ahern i Tischer powtórzyli test trzykrotnie. Za każdym razem 41 na 41.

Baker, czytając manuskrypt przed wysłaniem do redakcji, podobno uśmiechnął się po raz pierwszy od tygodni.

Trzy enzymy. Mniej niż sto prób każdy

Zespół Bakera poszedł dalej: zaprojektowali enzymy dla trzech zupełnie różnych mechanizmów katalitycznych. Hydrolaza estrów. Proteaza cysteinowa — ta sama rodzina, co papaina, enzym trawienny z owoców papai. Oraz enzym wykorzystujący jon metalu jako kofaktor.

W każdym przypadku przetestowali mniej niż 96 sekwencji, zanim znaleźli aktywne warianty. 96 to liczba studzienek na standardowej płytce do badań enzymatycznych. To nie jest przypadek — to zamierzona demonstracja skalowalności.

Dla porównania: klasyczne projekty enzymów z ery RosettaMatch wymagały testowania tysięcy kandydatów, z czego większość nie wykazywała żadnej aktywności. To tak, jakby architekt budował dziesięć domów, z których dziewięć się wali, a dziesiąty stoi — ale drzwi wciąż się nie otwierają.

Ahern, pierwszy autor pracy, testował hydrolazę estrów — enzym, który rozkłada wiązania estrowe. To reakcja kluczowa dla recyklingu tworzyw sztucznych, bo PET i poliuretan to poliestry. Pierwsze 48 sekwencji: zero aktywności. Kolejne 24: ślad. Ostatnie 24: `kcat/Km` na poziomie 10² M⁻¹s⁻¹.

Wciąż trzy rzędy wielkości od naturalnych enzymów. Ale Baker patrzy na te liczby inaczej niż w 2008 roku. Wtedy widział porażkę. Teraz widzi punkt startowy. I dokładnie wie, dokąd zmierza: skierowana ewolucja, optymalizacja, skalowanie.

Rynek, który czeka na architekta

Globalny rynek enzymów przemysłowych — od proszków do prania po katalizatory farmaceutyczne — był wart 14,1 miliarda dolarów w 2024 roku. Do 2030 ma osiągnąć 20 miliardów. Napędzają go trzy trendy: zielona chemia (enzymy zastępujące toksyczne rozpuszczalniki), biotechnologia farmaceutyczna i — coraz mocniej — recykling enzymatyczny plastiku.

Tylko że wszystkie komercyjne enzymy pochodzą z natury. Żaden nie został zaprojektowany od podstaw przez komputer.

Firma Novozymes, światowy lider z 48-procentowym udziałem w rynku, zatrudnia zespoły, które przeszukują glebę, kompost i gorące źródła w poszukiwaniu organizmów z interesującymi enzymami. Następnie optymalizują znalezione białka przez skierowaną ewolucję. To działa. Ale to jak szukanie konkretnego zdania w bibliotece zamiast napisania go samemu.

RFdiffusion2 zmienia tę logikę. Zamiast pytać „co natura już zrobiła", pyta: „czego potrzebujemy?". Jeśli potrzebujesz enzymu rozkładającego PET w temperaturze 70 stopni — opisujesz geometrię centrum aktywnego i dostajesz białko. Nie ma znaczenia, czy taki enzym istniał wcześniej.

Baker nie konkuruje z Novozymes. On zmienia reguły gry.

Konkurencja nadąża: DeepMind Spin-off Isomorphic Labs, Meta z modelem ESM, ByteDance z Protenix — wszyscy pracują nad projektowaniem białek. Ale Baker ma przewagę pierwszego ruchu. Jego Institute for Protein Design łączy modelowanie obliczeniowe z mokrym laboratorium, które od razu testuje projekty. Pętla „projekt → synteza → test → poprawka modelu" zamyka się w tygodniach, nie latach.

Architekt ma pracownię w tym samym budynku co plac budowy.

Polska: rysownicy bez placu budowy

Problem Polski z projektowaniem enzymów nie polega na braku naukowców. Jest ich — rozrzuconych po kilku ośrodkach. Problem polega na tym, że siedzą w osobnych budynkach.

Z jednej strony mamy grupy chemii obliczeniowej: na Politechnice Warszawskiej, na Uniwersytecie Jagiellońskim, w Centrum Nowych Technologii UW. Potrafią modelować centra aktywne z precyzją kwantową — DFT, sprzężone klastry, dynamika QM/MM. Publikują w JACS i Angewandte Chemie.

Z drugiej strony laboratoria mokrej biologii: w Łodzi (Molecure), w Gdańsku (Polpharma Biologics), we Wrocławiu (Captor Therapeutics, Ryvu). Potrafią ekspresjonować, oczyszczać i testować białka w skali miligramowej.

Między tymi dwoma światami nie ma rurociągu. Nie ma platformy, która wzięłaby projekt z laboratorium obliczeniowego i wrzuciła go do fermentora. Brakuje jednego: integratora.

RFdiffusion2 — którego kod jest dostępny na licencji CC-BY-NC-ND — mógłby być tym spoiwem. Model nie wymaga klastra GPU za milion dolarów. Działa na pojedynczej karcie NVIDIA A100, którą ma każdy polski ośrodek obliczeniowy. Cyfronet AGH dysponuje pięcioma takimi kartami w ramach infrastruktury PL-Grid.

Program FENG — Fundusze Europejskie dla Nowoczesnej Gospodarki — rezerwuje 300 milionów złotych na „biotechnologię i bioinformatykę" w perspektywie 2024–2027. Ścieżka grantowa jest prosta: konsorcjum uczelni + firmy biotechnologicznej + dostępu do mocy obliczeniowej Cyfronetu. Cel: nie publikacja w Nature Methods, tylko działający enzym do procesu przemysłowego. Na przykład: esteraza rozkładająca poliuretan z odpadów meblarskich.

Czasu jest mało. Isomorphic Labs wydaje 200 milionów dolarów rocznie. Meta zatrudnia setki inżynierów do projektu ESM. Jeśli Polska nie zbuduje mostu między laboratorium obliczeniowym a mokrym w ciągu 18 miesięcy — przepaść stanie się niemożliwa do przeskoczenia. Nie dlatego, że zabraknie talentu. Tylko dlatego, że zabraknie czasu.

Baker udowodnił, że enzym od podstaw się da. Teraz pytanie brzmi: kto pierwszy zrobi z tego produkt. I czy Polska w ogóle stanie na starcie.

Źródła

Ahern W., Yim J., Tischer D. et al., Atom-level enzyme active site scaffolding using RFdiffusion2, Nature Methods 23, 96–105 (2026), DOI: 10.1038/s41592-025-02975-x.

Röthlisberger D. et al., Kemp elimination catalysts by computational enzyme design, Nature 453, 190–195 (2008), DOI: 10.1038/nature06879.

Watson J.L. et al., De novo design of protein structure and function with RFdiffusion, Nature 620, 1089–1100 (2023), DOI: 10.1038/s41586-023-06415-8.

MarketsandMarkets, Industrial Enzymes Market — Global Forecast to 2030, 2024.