Naukowcy z Uniwersytetu Kalifornijskiego w Los Angeles (UCLA) zbudowali platformę MAESTRO, która za pomocą dużych modeli językowych przeanalizowała 3592 związki naturalne i wytypowała 150 kandydatów do łączenia z enzalutamidem, lekiem stosowanym w zaawansowanym raku prostaty. W testach na trójwymiarowych modelach guza 23 z nich zadziałały synergicznie, a najlepiej wypadła berberyna, roślinny alkaloid, który przywracał opornym komórkom nowotworowym wrażliwość na leczenie.
- Platforma MAESTRO, opracowana przez naukowców z UCLA, przeanalizowała 3592 związki naturalne za pomocą dużych modeli językowych i wytypowała 150 kandydatów do łączenia z enzalutamidem, spośród których 23 wykazały działanie synergiczne w testach na trójwymiarowych modelach guza – najlepiej wypadła berberyna, roślinny alkaloid skuteczny we wszystkich czterech testowanych liniach komórkowych raka prostaty.
- Kluczowym mechanizmem MAESTRO jest wielokrotne (co najmniej 100 razy) losowe układanie rankingów związków przez model językowy – niska zmienność wyników traktowana jest jako miara pewności, a w „strefie wysokiej pewności" zgodność przewidywań z eksperymentami osiągała współczynnik korelacji Spearmana około 0,87.
- Autorzy badania zastrzegają, że biodostępność berberyny przy standardowym podaniu doustnym nie przekracza 1 proc., a wszystkie testy przeprowadzono wyłącznie na liniach komórkowych – bez badań na zwierzętach ani pacjentach, co oznacza, że wyniki nie stanowią podstawy do stosowania berberyny w połączeniu z enzalutamidem poza kontrolowanym badaniem klinicznym.
Wyniki ukazały się 8 października 2026 r. w czasopiśmie „Advanced Science”, a UCLA Health opisało je w komunikacie z 21 października. Wcześniej, w styczniu, praca trafiła na serwer preprintów bioRxiv. Od razu zaznaczam: to badanie przedkliniczne. Wszystkie testy wykonano na liniach komórkowych w laboratorium, bez zwierząt i bez pacjentów.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Enzalutamid przestaje działać, bo komórki raka znajdują obejście
Enzalutamid blokuje receptor androgenowy, przez który hormony męskie pobudzają wzrost komórek raka prostaty. Lek odkryto i rozwinięto właśnie na UCLA. Działa dobrze na początku terapii, ale z czasem komórki nowotworowe uruchamiają alternatywne szlaki sygnałowe i przeżywają mimo blokady.
Rozwiązaniem mogą być terapie skojarzone, czyli drugi lek, który zamyka te boczne drogi ucieczki. Problemem jest skala. Autorzy pracy piszą wprost, że przy tysiącach możliwych związków pełne przebadanie wszystkich par w laboratorium jest niewykonalne, nawet z automatyzacją.
Dotychczasowe modele uczenia maszynowego do przewidywania synergii leków, takie jak MatchMaker i DeepDDS, potrzebują dużych zbiorów danych treningowych z wynikami eksperymentów. Dają przy tym niewiele wyjaśnień, dlaczego dana para miałaby działać. Zespół z UCLA zaprojektował MAESTRO (Mechanistic Augmentation and Ensemble Selection for Therapeutic Ranking Optimization), żeby obejść oba te ograniczenia.
MAESTRO zadaje modelowi to samo pytanie setki razy i ufa tylko zgodnym odpowiedziom
MAESTRO nie trenuje własnego modelu. Platforma podaje gotowemu modelowi językowemu starannie przygotowaną wiedzę biologiczną i każe mu układać rankingi związków. Według publikacji proces wygląda tak:
- System PubTator3 wyszukuje artykuły naukowe o każdym związku, a GPT-4o-mini tworzy na ich podstawie zwięzły opis mechanizmu działania. Dzięki temu, że model pracował na pobranych artykułach, odsetek twierdzeń potwierdzonych w literaturze wzrósł z 78,6 do 95,1 proc.
- Kontekst choroby pochodzi z 13 wybranych artykułów przeglądowych o oporności raka prostaty na leczenie.
- Model dostaje paczki po 50 związków i układa je w ranking pod kątem możliwej synergii z enzalutamidem, dopisując uzasadnienie każdej pozycji.
- Każdy związek trafia do co najmniej 100 losowo składanych paczek (w bibliotece produktów naturalnych do 200), a z wyników liczona jest średnia pozycja i jej rozrzut.
Najwięcej daje ten ostatni krok. Modele językowe odpowiadają za każdym razem trochę inaczej, więc badacze potraktowali rozrzut rankingów jako miarę pewności. W tak zwanej strefie wysokiej pewności zgodność przewidywań z wynikami eksperymentów sięgała współczynnika korelacji Spearmana około 0,87. Po dołączeniu niepewnych kandydatów spadała do około 0,1. Bez dostarczonego kontekstu biologicznego korelacja w tej strefie spadała z 0,86 do 0,43.
W porównaniu z MatchMakerem i DeepDDS platforma MAESTRO osiągnęła podobną trafność, choć w przeciwieństwie do nich nie przeszła żadnego treningu na danych o synergii. Działała też na różnych modelach: GPT-4o, Gemini oraz otwartych GPT-OSS-20B, GPT-OSS-120B i Qwen3.5-35B-A3B.
„MAESTRO może znacznie przyspieszyć ten proces. Dzięki połączeniu istniejącej wiedzy biomedycznej potrafi wskazać kombinacje leków, które mają jasne uzasadnienie biologiczne i najbardziej nadają się do testów eksperymentalnych” / „MAESTRO could substantially accelerate this process. By integrating existing biomedical knowledge, it can identify drug combinations that have a clear biological rationale and are most appropriate for experimental testing.” – mówi Neil Lin, profesor inżynierii mechanicznej i bioinżynierii na UCLA i główny autor badania.
Z 3592 związków zostały cztery, a berberyna jako jedyna przeszła wszystkie testy
Zespół sprawdził MAESTRO na dwóch bibliotekach. Pierwszą były inhibitory kinaz białkowych, czyli dobrze opisane leki celowane, drugą produkty naturalne o często słabo poznanym działaniu.
| Etap | Inhibitory kinaz | Związki naturalne |
|---|---|---|
| Wielkość biblioteki | 1250 | 3592 |
| Wytypowane przez MAESTRO | 95 | 150 (4,2 proc. biblioteki) |
| Synergia w testach na sferoidach 22Rv1 | 17 (17,9 proc.) | 23 (15,3 proc.) |
Wśród 95 wytypowanych inhibitorów kinaz 65,6 proc. nie miało wcześniej opisanej w literaturze synergii z enzalutamidem. To argument, że model nie tylko odtwarzał znane wyniki.
Z 23 trafień wśród związków naturalnych badacze wybrali cztery najmocniejsze: berberynę, deguelinę, nimbolid i resibufogeninę. Tylko berberyna działała synergicznie z enzalutamidem we wszystkich czterech modelach raka prostaty: dwóch opornych na enzalutamid (22Rv1 i C4-2B MDVR) i dwóch wrażliwych (VCaP i LNCaP).
„Berberyna nie była oczywistym kandydatem, bo wpływa na kilka szlaków biologicznych, przez co trudno przewidzieć, jak zachowa się w połączeniu z innymi lekami” / „Berberine was not an obvious candidate because it affects several biological pathways, making it difficult to predict how it might work with other drugs.” – mówi James C.H. Lo, pierwszy autor pracy (w publikacji podpisany jako Chih-Hui Lo), który w czasie badań był stażystą podoktorskim na wydziale bioinżynierii UCLA.
Drugi wątek pracy dotyczy samego laboratorium. Trójwymiarowe skupiska komórek, czyli sferoidy, lepiej oddają budowę guza niż płaskie hodowle. Gdy przekraczają 400-500 mikrometrów, w ich środku brakuje tlenu i komórki masowo obumierają, co zakłóca pomiar działania leków. Zespół UCLA hodował je przy 40 proc. tlenu. Przy standardowych 21 proc. berberyna zachowała osłabioną synergię, a pozostałe trzy związki spadły poniżej progu. Autorzy wnioskują, że klasyczne warunki mogą zaniżać część efektów synergicznych.
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
Mechanizm wskazany przez model potwierdził się w pomiarach
MAESTRO uzasadniał wybór berberyny jednoczesnym wpływem na dwa szlaki: aktywacją kinazy AMPK, która reguluje gospodarkę energetyczną komórki, i hamowaniem sygnalizacji mTORC1, odpowiadającej m.in. za wzrost i podziały komórek. Pomiary to potwierdziły. Po 8 godzinach połączenie obu substancji zwiększało aktywność AMPK i obniżało sygnał mTORC1, a podwyższona aktywność AMPK utrzymywała się w punktach pomiarowych po 1, 8 i 48 godzinach.
Gdy badacze dodali inhibitor AMPK o nazwie BAY-3827, wskaźnik synergii Blissa spadł z 0,165 do 0,045, czyli poniżej przyjętego progu 0,1. Sekwencjonowanie RNA wykazało 525 genów (354 aktywowanych i 171 wyciszonych), których zmiany przekraczały prostą sumę efektów obu substancji. Aktywowane geny wiązały się z autofagią i reakcją na stres komórkowy, wyciszone z replikacją DNA i przebiegiem cyklu komórkowego.
Połączenie działało też mimo obecności wariantu receptora AR-V7, który odpowiada za część oporności na enzalutamid. Autorzy zastrzegają jednak, że nie zbadali dynamiki wyżej położonych elementów szlaku PI3K/AKT, więc ich dane nie opisują pełnego mechanizmu przyczynowego.
W tej pracy bardziej niż sama berberyna interesuje mnie to, jak zespół Neila Lina potraktował znaną słabość modeli językowych. Każdy, kto zadał ChatGPT to samo pytanie kilka razy, wie, że dostaje różne odpowiedzi. Badacze z UCLA zamienili tę losowość w miarę zaufania: jeśli model setki razy stawia związek wysoko, warto go sprawdzić w laboratorium, a jeśli rankingi skaczą, lepiej odpuścić. To prosty pomysł i widzę dla niego zastosowania daleko poza farmacją.
Drugi wniosek jest mniej medialny, ale dla mnie równie ciekawy. Gdyby zespół testował kombinacje w standardowej hodowli, trzy z czterech najlepszych kandydatów wypadłyby poniżej progu synergii. Model mógł mieć rację i przegrać z wadą metody laboratoryjnej. Dobra predykcja nic nie da bez dobrego eksperymentu.
Obawiam się natomiast tego, jak ten news zostanie odczytany. Berberyna stoi na półkach polskich aptek obok witamin, a nagłówek „AI znalazła lek na raka” właściwie pisze się sam. To wynik z hodowli komórkowych, a autorzy sami podkreślają, że po podaniu doustnym do krwi trafia mniej niż 1 proc. tej substancji. Zostaje też pytanie, na ile model naprawdę łączył fakty, a na ile odtwarzał to, co widział podczas treningu. Badacze uczciwie przyznają, że przy zamkniętych modelach nie da się tego do końca wykluczyć.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Autorzy sami wskazują granice: biodostępność berberyny jest niższa niż 1 proc.
Zespół UCLA bardzo wyraźnie opisuje, czego badanie nie pokazuje. Testy objęły wyłącznie ustalone linie komórkowe, które nie oddają zróżnicowania guzów u różnych pacjentów. Praca nie dostarcza danych o skuteczności w organizmie, bezpieczeństwie, farmakokinetyce ani możliwych dawkach.
Największą przeszkodą jest sama berberyna. Według autorów przy standardowym podaniu doustnym jej biodostępność nie przekracza 1 proc., a stężenia we krwi są niskie i zmienne. Jako możliwe drogi wskazują postać liposomową, która w badaniu na szczurach zwiększyła biodostępność 4,38-krotnie, oraz pochodną dihydroberberynę. Żadne z tych badań nie dowodzi, że w tkance prostaty da się osiągnąć stężenia stosowane w laboratorium.
Ograniczenia ma też sama platforma. MAESTRO opiera się na tekstowych opisach mechanizmów, więc gorzej radzi sobie ze słabo poznanymi związkami. Firmy rozwijające zamknięte modele nie ujawniają danych treningowych, więc autorzy nie mogą całkowicie wykluczyć, że model znał wcześniej informacje o niektórych parach.
Zespół planuje testy na modelach nowotworów pobranych od pacjentów i na zwierzętach. Chce też rozszerzyć MAESTRO o inne typy danych biologicznych i inne nowotwory. Pierwszy sygnał już jest: na dwóch zbiorach danych dla raka jelita grubego z lekiem 5-fluorouracyl zależność między rozrzutem rankingów a trafnością przewidywań się powtórzyła.
„Duże modele językowe mogą być czymś więcej niż narzędziem do rozmowy czy generowania tekstu” / „Large language models can be more than conversation or text-generation tools.” – podsumowuje Neil Lin.
Leki z udziałem AI lepiej przechodzą pierwszą fazę badań klinicznych, w drugiej już nie
MAESTRO to przykład szerszego trendu, w którym AI ma skracać najwcześniejszy, najbardziej żmudny etap szukania leków. Analiza Boston Consulting Group opublikowana w 2024 r. w „Drug Discovery Today” wykazała, że do grudnia 2023 r. 24 cząsteczki odkryte z pomocą AI zakończyły pierwszą fazę badań klinicznych, a 21 z nich zakończyło ją sukcesem. To 80-90 proc. wobec historycznej średniej branży na poziomie 40-65 proc.
W drugiej fazie, gdzie sprawdza się skuteczność, przewaga znika: sukcesem zakończyły się 4 z 10 cząsteczek, czyli około 40 proc., tyle co w tradycyjnych projektach. Według tej samej analizy od 2015 r. do badań klinicznych trafiło 75 cząsteczek odkrytych z udziałem AI, a mniej więcej połowa z nich dotyczy onkologii. Dane z UCLA wpisują się w ten obraz: AI dobrze zawęża pulę kandydatów, ale prawdziwy test zaczyna się dopiero u pacjentów.
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.
W Polsce berberyna jest łatwo dostępnym suplementem, ale wyniki z UCLA nie są zachętą do eksperymentów
Rak prostaty to w Polsce bardzo częsty nowotwór u mężczyzn. Według Krajowego Rejestru Nowotworów w 2023 r. odnotowano 23 710 zachorowań i 5859 zgonów z jego powodu. Enzalutamid jest u nas refundowany w ramach programu lekowego B.56 dla chorych z zaawansowanym rakiem gruczołu krokowego, a do programu trafił 1 listopada 2017 r.
Berberynę w Polsce kupi każdy, w aptece lub internecie, w dziesiątkach preparatów sprzedawanych jako suplementy diety. To ważne rozróżnienie. Suplement można wprowadzić do obrotu po samym zgłoszeniu do Głównego Inspektoratu Sanitarnego, bez procedury rejestracji obowiązującej leki, więc nikt nie bada go pod kątem łączenia z terapią onkologiczną. Badanie UCLA użyło konkretnej formy, siarczanu berberyny, w stężeniach dobranych do hodowli komórkowych. Moim zdaniem chory przyjmujący enzalutamid, który po tej lekturze zastanawia się nad berberyną, powinien najpierw porozmawiać z onkologiem, a nie z farmaceutą przy półce z suplementami.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym publikacji naukowej „Mechanism-Informed Language Modeling and Oxygenated 3D Screening Identify Berberine-Enzalutamide Synergy in Prostate Cancer Models”, Advanced Science z dnia 08.10.2026 oraz komunikatu UCLA Health z dnia 21.10.2026 i preprintu w serwisie bioRxiv z dnia 26.01.2026. Dane o skuteczności cząsteczek odkrytych z pomocą AI pochodzą z analizy Boston Consulting Group opublikowanej w „Drug Discovery Today”. Polski kontekst oparto na danych Krajowego Rejestru Nowotworów, informacjach o programie lekowym B.56 oraz zasadach obrotu suplementami diety.
Cytaty Neila Lina, profesora UCLA i głównego autora badania, oraz Jamesa C.H. Lo, pierwszego autora pracy, zostały zweryfikowane z oryginalnym anglojęzycznym komunikatem UCLA Health.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o platformie MAESTRO i dalszych badaniach nad połączeniem berberyny z enzalutamidem.
