Zespół z Uniwersytetu Pekińskiego pokazał, że AlphaFold 3 potrafi wskazać dokładnie te aminokwasy w białku CRISPR, które odpowiadają za cięcie DNA w złym miejscu. Praca ukazała się 22 lipca 2026 roku w „Nature”, a kod narzędzia o nazwie ContactSeek jest publicznie dostępny na GitHubie.
Kluczowe fakty:
- Zespół z Uniwersytetu Pekińskiego oraz East China Normal University opublikował 22 lipca 2026 roku w „Nature" pracę pokazującą, że AlphaFold 3 potrafi wskazać aminokwasy białka CRISPR odpowiedzialne za cięcie DNA w nieprawidłowych miejscach.
- Narzędzie o nazwie ContactSeek wykorzystuje obliczany przez AlphaFold 3 wskaźnik prawdopodobieństwa kontaktu aminokwasów z nićmi DNA i RNA, który okazał się czulszy niż sama geometria struktury przestrzennej kompleksu białko-DNA.
- Dotychczasowe metody poprawiania specyficzności białek CRISPR polegały na mozolnym testowaniu kolejnych wariantów, a każda poprawa precyzji zazwyczaj obniżała wydajność edycji.
Sprawdziłem tę pracę, bo od dawna czekam na moment, w którym modele przewidujące strukturę białek przestaną służyć wyłącznie do rysowania ładnych obrazków, a zaczną realnie projektować narzędzia. To chyba właśnie ten moment.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Na czym polega problem z edycją genów
CRISPR działa jak nożyczki naprowadzane przez fragment RNA. Problem w tym, że genom człowieka jest ogromny, a sekwencji podobnych do celu jest w nim mnóstwo. Nożyczki potrafią zadokować w niewłaściwym miejscu i wprowadzić zmianę, której nikt nie planował. W terapii genowej takie zdarzenie to nie kosmetyczna usterka, tylko potencjalna mutacja onkogenna.
Edytory zasad, czyli base editory, miały ten problem złagodzić. Zamiast przecinać obie nici DNA, zamieniają pojedynczą literę kodu genetycznego: adeninę na guaninę albo cytozynę na tymid. Precyzja i tak pozostała niedomknięta. Dotychczasowe metody poprawiania tych białek polegały na mozolnym testowaniu wariantów jeden po drugim, a każda poprawka specyficzności zwykle obniżała wydajność. Klasyczny kompromis, którego branża nie potrafiła obejść od lat.
Co zrobili chińscy badacze
Zespół pod kierunkiem Chengqi Yi z Uniwersytetu Pekińskiego, wspólnie z grupą Dali Li z East China Normal University w Szanghaju, poszedł inną drogą niż większość laboratoriów. Zamiast analizować pojedynczą przewidzianą strukturę przestrzennną kompleksu białko-DNA, sięgnęli po parametr, który AlphaFold 3 wylicza niejako po drodze: prawdopodobieństwo kontaktu poszczególnych reszt aminokwasowych z nićmi DNA i RNA.
Okazało się, że ten wskaźnik jest znacznie czulszy niż sama geometria modelu. Kiedy porównać kontakt przy sekwencji docelowej z kontaktem przy sekwencji błędnej, różnice ujawniają dokładnie te fragmenty białka, które odpowiadają za tolerowanie niedopasowań.
Schemat pracy wyglądał tak:
- najpierw zmapowali w komórkach ludzkich tysiące miejsc, w których edytor adeninowy pomylił cel, korzystając z własnej metody dI-profiling
- sekwencje tych błędnych miejsc podali AlphaFoldowi 3 jako materiał wejściowy
- ContactSeek skorelował zmiany prawdopodobieństwa kontaktu z rzeczywistym sygnałem sekwencjonowania i uszeregował regiony białka według tego, jak mocno decydują o specyficzności
- na tej podstawie wytypowali pojedyncze aminokwasy do podmiany
Efekt? Wariant ABE8e-DD, powstały z połączenia zaledwie dwóch zamian, jednej w białku Cas9 (K1020D) i jednej w deaminazie TadA8e, ograniczył sygnał niepożądanej edycji o 99,2 procent w jednym z testowanych loci i o 98,1 procent w innym. Wydajność w miejscu docelowym pozostała porównywalna z wyjściowym ABE8e. Ten sam schemat zadziałał potem na zupełnie innym systemie, edytorze cytozynowym opartym na Cas12a, gdzie redukcja błędów sięgnęła od 82 do 95 procent w zależności od badanego locus.
Hoi Yee Chu i Alan Wong z Uniwersytetu w Hongkongu, którzy nie brali udziału w badaniach, skomentowali oba nurty prac nad projektowaniem edytorów w „Nature”. Ich zdaniem możliwość dowolnego kształtowania geometrii molekularnej edytorów genomu „popchnie postęp w stronę bezpieczniejszych i skuteczniejszych terapii” / „will drive progress towards safer and more efficient therapies”.
Widzę tu dwie rzeczy jednocześnie i obie warto rozdzielić. Pierwsza to autentyczny skok metodologiczny: AlphaFold 3 przestał być narzędziem do oglądania białek, a stał się narzędziem do ich przeprojektowywania, i to na podstawie parametru, który wcześniej traktowano jako produkt uboczny obliczeń. Druga to trzeźwość. Wszystkie te liczby pochodzą z komórek hodowanych w naczyniu, konkretnie z linii HEK293T, a od nich do organizmu człowieka droga jest długa i pełna niespodzianek. Redukcja błędów o 99 procent w probówce nie oznacza jeszcze bezpiecznej terapii. Nie oznacza też, że model rozumie biologię. ContactSeek jest tak dobry, jak dane, na których go wytrenowano, i sami autorzy to przyznają. Pytanie, które mnie naprawdę zajmuje, brzmi inaczej: skoro projektowanie enzymów tnących DNA staje się właśnie kwestią uruchomienia skryptu z otwartego repozytorium, to kto i w jaki sposób zamierza pilnować, do czego te enzymy będą używane? Bo regulatorzy rozmawiają dziś o generowaniu tekstu i obrazu, a nie o generowaniu białek.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Rynek, który rośnie szybciej niż zaufanie
Prognozy dla edycji genomu rozjeżdżają się między firmami analitycznymi na tyle mocno, że traktowałbym je jako rząd wielkości, a nie precyzyjny pomiar. Towards Healthcare szacuje wartość globalnego rynku edycji genomu na 12,84 mld dolarów w 2026 roku i przewiduje wzrost do 52,56 mld dolarów w 2035 roku. Precedence Research liczy węższy segment narzędzi opartych na CRISPR skromniej, na 4,95 mld dolarów w tym roku. Nova One Advisor podaje z kolei 8,32 mld dolarów za 2026 rok. Rozbieżność wynika z tego, co kto wlicza do koszyka, ale kierunek jest we wszystkich raportach ten sam, a Azja i Pacyfik rosną najszybciej.
Warto zestawić to z drugą pracą, o której też zrobiło się głośno w tym samym tygodniu. Zespół Jennifer Doudny opublikował w „Science” wyniki projektowania nukleaz całkowicie od zera, bez oglądania się na istniejące enzymy bakteryjne. Powstałe białka różnią się sekwencją od naturalnych odpowiedników mniej więcej o 30 procent, a mimo to edytowały geny w komórkach bakterii, roślin i ludzi. Jedno podejście dostraja to, co dała natura. Drugie tworzy rzeczy, których natura nie wymyśliła.
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.
Co to oznacza dla polskich pacjentów i firm
Polska nie miała udziału w żadnej z tych prac i nie ma sensu udawać inaczej. Ale konsekwencje dotyczą nas bardzo bezpośrednio, tylko przesunięte w czasie o kilka lat.
Terapie oparte na edycji genów są dziś w Polsce dostępne wyjątkowo. Pierwsza terapia wykorzystująca CRISPR-Cas9, Casgevy dla chorych na anemię sierpowatokrwinkową, uzyskała rejestrację w Unii Europejskiej w lutym 2024 roku. Refundacja to jednak osobna ścieżka: Ministerstwo Zdrowia aktualizuje wykaz kwartalnie, a na liście obowiązującej od 1 kwietnia 2026 roku znalazło się szesnaście nowych terapii, z czego czternaście onkologicznych. Terapia genowa Zolgensma dla niemowląt z rdzeniowym zanikiem mięśni jest refundowana przez NFZ od 1 września 2022 roku i pozostaje raczej wyjątkiem niż regułą.
Dlaczego precyzja edytorów przekłada się na dostępność? Bo znaczna część kosztu terapii genowej to nie sam lek, tylko badania bezpieczeństwa i długoletnie monitorowanie pacjentów pod kątem skutków przypadkowych mutacji. Im czystszy edytor, tym krótsza i tańsza ta ścieżka, a wtedy negocjacje refundacyjne z płatnikiem wyglądają zupełnie inaczej.
Jest też wątek praktyczny dla polskiej nauki. ContactSeek i kod do analizy dI-profiling są dostępne publicznie na GitHubie i Zenodo, na wolnej licencji. Grupa badawcza w Poznaniu, Krakowie czy Warszawie może pobrać to narzędzie dziś, bez opłat licencyjnych i bez umowy z chińskim laboratorium. Ograniczeniem nie jest dostęp do algorytmu, tylko moc obliczeniowa i możliwość weryfikacji wyników w mokrym laboratorium. To akurat obszar, w którym polskie instytuty radzą sobie lepiej, niż sugerowałaby ich pozycja w międzynarodowych rankingach finansowania.
I jeszcze jedno. Unijne przepisy o sztucznej inteligencji koncentrują się na systemach, które generują treści albo podejmują decyzje wobec ludzi. Model, który projektuje enzym zdolny modyfikować ludzki genom, wymyka się tej klasyfikacji niemal całkowicie. Ktoś powinien się nad tym pochylić, zanim będzie o tym pisał jako o problemie, a nie o ciekawostce.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz materiałów źródłowych, w tym oryginalnej pracy naukowej Precise DNA base editing using AlphaFold3-based contact modelling, „Nature” z dnia 22.07.2026, komentarza redakcyjnego Hoi Yee Chu i Alana Wonga w „Nature” oraz analizy SingularityHub z 24.07.2026. Dane rynkowe pochodzą z raportów Towards Healthcare, Precedence Research i Nova One Advisor. Kontekst polski opracowano na podstawie komunikatów Ministerstwa Zdrowia dotyczących wykazu leków refundowanych (Rzeczpospolita, 18.03.2026), materiałów Agencji Badań Medycznych oraz portalu Urtica na temat rejestracji terapii genowych w Unii Europejskiej. Cytat Hoi Yee Chu i Alana Wonga zweryfikowano 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 zastosowaniach AlphaFold 3 w projektowaniu edytorów genomu.
