Naukowcy z Uniwersytetu Kalifornijskiego w San Francisco opublikowali w czwartek 27 sierpnia w „Science” największą jak dotąd mapę oddziaływań białkowych związanych z autyzmem. Wśród autorów korespondencyjnych badania jest Tomasz J. Nowakowski, neurobiolog wychowany w Gdańsku, dziś profesor nadzwyczajny UCSF.
- Naukowcy z Uniwersytetu Kalifornijskiego w San Francisco opublikowali w „Science" największą dotychczas mapę oddziaływań białkowych związanych z autyzmem, obejmującą 100 genów ryzyka i ponad 1800 połączeń między białkami, z których około 87 procent nie było wcześniej opisanych w literaturze.
- W badaniu przeanalizowano 54 mutacje pochodzące od pacjentów, sprawdzając, w jaki sposób konkretne warianty genetyczne przebudowują sieć powiązań białkowych.
- Wyniki pokazują, że genetycznie odmienne postacie autyzmu zbiegają się na zaskakująco niewielkiej liczbie wspólnych kompleksów białkowych, co może oznaczać, że różne mutacje nie wymagają opracowywania osobnych terapii.
Przez ponad dwie dekady genetyka autyzmu dostarczała list. Setki genów, dziesiątki wariantów wysokiego ryzyka, coraz dokładnieajsze sekwencjonowanie egzomu. Problem polegał na tym, że lista genów nie mówi, co dzieje się dalej. Nie mówi, które białka przestają ze sobą rozmawiać, gdzie w rozwijającym się mózgu pojawia się usterka ani gdzie miałby zadziałać lek. Zespół z Quantitative Biosciences Institute (QBI) oraz Wydziału Psychiatrii i Nauk Behawioralnych UCSF spróbował narysować brakujący schemat połączeń.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Sto genów, ponad 1800 połączeń, 87 procent nieznanych
Badacze wzięli 100 genów o najwyższej pewności powiązania z zaburzeniami ze spektrum autyzmu i zmapowali białka, które te geny kodują, metodą oczyszczania powinowactwa sprzężonego ze spektrometrią mas (AP-MS). Wynik to ponad 1800 oddziaływań między białkami, z czego około 87 procent nie było wcześniej opisanych w literaturze. Potem przyszła druga część pracy: analiza 54 mutacji pochodzących od pacjentów i sprawdzenie, jak konkretne warianty przebudowują tę sieć.
Najciekawszy rezultat nie dotyczy skali, tylko zbieżności. Genetycznie odmienne postacie autyzmu schodzą się na zaskakująco niewielkiej liczbie wspólnych kompleksów białkowych. To ma bardzo praktyczną konsekwencję. Jeżeli sto różnych mutacji uderza w kilkanaście tych samych węzłów, nie trzeba projektować stu osobnych terapii.
Główne ustalenia zespołu:
- 100 genów ryzyka autyzmu, ponad 1800 zmapowanych oddziaływań między białkami, 87 procent z nich wcześniej nieopisanych
- 54 mutacje pochodzące od pacjentów przeanalizowane pod kątem tego, jak przebudowują sieć powiązań
- Zbieżność genetycznie różnych postaci autyzmu na tych samych kompleksach białkowych
- AlphaFold użyty do wskazania miejsc, w których mutacja rozbija styk dwóch białek
- Nowa kategoria mechanizmu: mutacja nie tylko wyłącza gen, ale wywołuje szkodliwy zysk funkcji u białka partnerskiego
Gdzie w tej pracy jest sztuczna inteligencja
AlphaFold, model DeepMind przewidujący trójwymiarowe struktury białek, posłużył tu do czegoś węższego i konkretniejszego niż zwykle się o nim mówi. Mapa z AP-MS pokazuje, że dwa białka się spotykają. Nie mówi, gdzie dokładnie i czy kontakt jest bezpośredni. Nałożenie przewidywań strukturalnych na sieć oddziaływań pozwoliło zawęzić listę do interakcji bezpośrednich i wskazać powierzchnie styku, w które uderzają konkretne mutacje. A powierzchnia styku to już adres dla chemika. Można próbować ją stabilizować klejem molekularnym albo blokować inhibitorem.
Najważniejsze obserwacje weryfikowano potem w modelach laboratoryjnych, w tym w organoidach mózgowych hodowanych z ludzkich komórek iPS oraz w żabach Xenopus tropicalis.
FOXP1, FOXP4 i mutacja, która nie wyłącza genu
Sztandarowym przykładem z pracy jest FOXP1. Mutacje w genach FOXP1 i FOXP2, leżące w zupełnie różnych miejscach białka, zbiegały się na rozbiciu tej samej interakcji: FOXP1 z białkiem FOXP4. W organoidach przekładało się to na przedwczesny rozwój neuronów korowych i zwiększoną pobudliwość obwodów nerwowych.
Interpretacja tego wyniku jest bardziej wywrotowa, niż wygląda na pierwszy rzut oka. Dotąd zakładano, że mutacje dużego efektu w autyzmie działają głównie przez utratę funkcji, czyli przez to, że danego białka jest po prostu za mało. Tutaj zmiana w FOXP1 uruchamia patologiczny zysk funkcji po stronie partnera, czyli FOXP4. Usunięcie FOXP4 w tle zmutowanego FOXP1 przywracało prawidłowy rozwój, choć autorzy zaznaczają, że dokładny mechanizm wymaga dalszych badań.
Nevan J. Krogan, dyrektor QBI i jeden z autorów seniorów, ujął problem branży krótko: „Odkrywanie leków nie wykorzystuje danych o oddziaływaniach białkowych tak, jak powinno” / „Drug discovery is not exploiting protein interaction data like it should”.
Lubię to badanie za coś, co rzadko widuję w komunikatach o AI w medycynie. Sztuczna inteligencja nie jest tu bohaterem, tylko narzędziem w środku bardzo mozolnej, dziesięcioletniej pracy laboratoryjnej. AlphaFold nie odkrył mechanizmu autyzmu. Zawęził listę hipotez, które potem trzeba było sprawdzić w organoidach i u żab. To zdrowa proporcja i chciałbym, żeby więcej doniesień tak wyglądało.
Mam też dwie wątpliwości. Pierwsza: mapa powstała w liniach komórkowych HEK293T, czyli w komórkach nerkowych, a nie w neuronach. Autorzy są tego świadomi i dlatego weryfikowali wyniki w organoidach, ale droga od tej mapy do leku jest długa i pełna miejsc, w których wszystko może się posypać. Druga dotyczy języka. Mówimy o głębokich postaciach autyzmu, o osobach, które często nie mówią i wymagają całodobowej opieki. Część środowiska osób w spektrum słusznie pyta, gdzie przebiega granica między leczeniem cierpienia a próbą naprawiania cudzej neuroróżnorodności. Badanie z UCSF tej granicy nie wyznacza i nie próbuje. Wyznaczą ją ludzie, którzy zdecydują, co z tą mapą zrobić.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Dlaczego przemysł farmaceutyczny patrzy na to z uwagą
QBI ma już jedno mocne portfolio w tej metodzie. Podczas pandemii instytut zmapował sieć oddziaływań białek SARS-CoV-2 z białkami człowieka, co doprowadziło do wskazania 69 kandydatów na leki, z których 27 trafiło do badań klinicznych. To był dowód, że mapowanie interakcji potrafi generować realne punkty uchwytu, a nie tylko ładne grafy.
Kontekst rynkowy jest równie wymowny. Opracowanie jednego zatwierdzonego leku zajmuje według branżowych analiz od 10 do 15 lat i kosztuje 2 do 4 miliardów dolarów, a liczba rejestracji nowych substancji od lat utrzymuje się na poziomie około 50 rocznie mimo rosnących budżetów badawczych. Wyceny rynku AI w odkrywaniu leków rozjeżdżają się mocno w zależności od metodologii: Fortune Business Insights szacuje go na około 5 miliardów dolarów w 2026 roku i 12,6 miliarda w 2034, podczas gdy inne prognozy branżowe mówią o 8 do 10 miliardów już w tym roku. Rozbieżność sama w sobie jest informacją o tym, jak nieustabilizowany jest ten segment.
Krogan zapowiada, że platforma QBI ma być teraz stosowana poza autyzmem, w neurologii, onkologii i chorobach zakaźnych. „Nauka pokazuje, że autyzm jest zapisany w naszych genach” / „The science demonstrates that autism is written in our genes” powiedział, dodając, że zbudowany schemat nadaje się do przekładania genetyki niemal dowolnej choroby na strategię terapeutyczną.
Gdańszczanin wśród autorów korespondencyjnych
Tomasz J. Nowakowski dorastał w Gdańsku, w rodzinie robotniczej. Do biologii trafił, jak sam opowiadał Fundacji Vilcek, przez wolontariat w hospicjum i opiekę nad pacjentem chorującym na schizofrenię. Maturę zdał w 2004 roku, po czym wyjechał do Wielkiej Brytanii: licencjat z fizjologii i doktorat z nauk biomedycznych zrobił na Uniwersytecie w Edynburgu. Do Stanów przeniósł się w 2012 roku na staż podoktorski w UCSF, gdzie dziś prowadzi własne laboratorium zajmujące się mapowaniem typów komórek ludzkiego mózgu. W 2024 roku dostał Vilcek Prize for Creative Promise in Biomedical Science, nagrodę przyznawaną imigrantom wnoszącym wkład w amerykańską naukę.
Sam porównywał kiedyś swoją pracę nad atlasami komórek do kartografii i przywoływał Jana Heweliusza, który w jego rodzinnym mieście narysował pierwszą mapę powierzchni Księżyca. Trudno o lepszą metaforę tego, co zespół z UCSF właśnie opublikował.
Ilu Polaków to dotyczy i czego u nas brakuje
W Polsce nie ma ogólnokrajowych badań epidemiologicznych spektrum autyzmu, więc pracujemy na danych zastępczych. Według NFZ w 2021 roku prawie 74 tysiące osób do 17. roku życia miało rozpoznanie autyzmu lub zespołu Aspergera. Dane oświatowe pokazują dynamikę jeszcze wyraźniej: w roku szkolnym 2022/2023 orzeczenie o potrzebie kształcenia specjalnego z powodu spektrum miało około 25 tysięcy przedszkolaków, a dwa lata później ponad 36 tysięcy. Eksperci cytowani przez Serwis Nauka w Polsce wskazują przy tym, że aż 70 procent rozpoznań stawia się dopiero po trzecim roku życia, choć pierwsze sygnały bywają widoczne u kilkunastomiesięcznych dzieci.
Badanie z UCSF dotyczy przede wszystkim głębokich postaci autyzmu, szacowanych przez autorów na około 30 procent osób w spektrum, choć inne szacunki mówią o jednym dziecku na czworo. To ta część populacji, która w polskim systemie jest najsłabiej obsłużona: brakuje psychiatrów dziecięcych, kolejki do diagnozy liczy się w miesiącach, a wycena terapii od lat jest przedmiotem sporu między resortem zdrowia, NFZ i AOTMiT.
Czy polska nauka może się w takim projekcie znaleźć? Infrastruktury do proteomiki i organoidów u nas nie brakuje, brakuje raczej programów, które łączą ją z modelowaniem strukturalnym na taką skalę. Krajowe firmy działają na sąsiednich odcinkach: krakowski Ardigen rozwija platformę PhenAID do profilowania kandydatów na leki małocząsteczkowe, a Molecule.one od lat pracuje nad planowaniem syntezy chemicznej wspomaganym przez AI. O tym, jak układa się mapa polskiego AI w farmacji, pisaliśmy przy okazji wejścia Anthropic do sektora biotechnologicznego.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Czego to badanie jeszcze nie mówi
Nie ma tu kandydata na lek. Nie ma cząsteczki, nie ma badania klinicznego, nie ma nawet potwierdzonego celu terapeutycznego w rozumieniu regulacyjnym. Jest mapa i pierwsza demonstracja, że da się z niej wyprowadzić mechanizm rozwojowy, który potem widać w organoidzie. Matthew W. State, kierownik wydziału psychiatrii UCSF i autor senior pracy, mówi wprost, że po pierwszym entuzjazmie związanym z odkryciem rzadkich mutacji przyszło zderzenie z tym, jak trudno przełożyć je na leki, i że dopiero ta praca otwiera pole nowych możliwości.
Piszę o tym, bo w doniesieniach o AI w medycynie granica między mapą a terapią rozmywa się notorycznie. Tutaj mamy dobrą, solidną mapę. Reszta drogi dopiero się zaczyna.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz źródeł pierwotnych, w tym pracy Wang B. i in., „Autism mutations rewire protein interaction networks to drive neurodevelopmental pathology”, opublikowanej w Science 27 sierpnia 2026 roku, komunikatu Uniwersytetu Kalifornijskiego w San Francisco z 28 sierpnia 2026 roku w serwisie News-Medical oraz relacji Fierce Biotech z wypowiedziami Nevana Krogana. Dane biograficzne dotyczące Tomasza J. Nowakowskiego pochodzą z materiałów Fundacji Vilcek i UCSF. Dane o skali zjawiska w Polsce oparto na statystykach NFZ, Ministerstwa Edukacji Narodowej oraz materiałach Serwisu Nauka w Polsce. Cytaty Nevana J. Krogana i Matthew W. State’a zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o pracach QBI nad mapowaniem oddziaływań białkowych i ich zastosowaniem w projektowaniu terapii.
