W skrócie
W 2006 roku japoński badacz Shinya Yamanaka odkrył cztery białka, które potrafią cofnąć dorosłą komórkę do stanu zarodkowego, tak jakby wcisnąć w niej przycisk resetu. Dostał za to Nagrodę Nobla. Problem w tym, że proces był koszmarnie nieefektywny: trwał tygodnie, a udawał się w mniej niż jednym procencie komórek. Teraz model sztucznej inteligencji przeprojektował dwa z tych białek od podstaw i według opublikowanych wyników osiągnął ponad 50-krotny wzrost ekspresji markerów przeprogramowania, skracając proces z około trzech tygodni do siedmiu dni. To fascynująca historia, ale wymaga pełnego kontekstu: wyniki pochodzą z komunikatu firmy, a nie z recenzowanej publikacji, a sekwencje białek nie zostały udostępnione.
Wyobraź sobie, że każda komórka Twojego ciała nosi w sobie pamięć o tym, kim jest. Komórka skóry wie, że jest skórą. Komórka wątroby wie, że jest wątrobą. A teraz wyobraź sobie cztery białka, które potrafią tę pamięć wymazać i cofnąć komórkę do punktu wyjścia, do stanu, w którym może stać się czymkolwiek. To odkrycie sprzed dwudziestu lat, za które przyznano Nagrodę Nobla. A w ubiegłym roku sztuczna inteligencja postanowiła je poprawić.
Cztery białka, które cofają czas
Żeby zrozumieć, co się właśnie stało, trzeba wrócić do 2006 roku i do laboratorium w Kioto. Panowało wtedy przekonanie, które wydawało się oczywiste: rozwój komórki to droga w jedną stronę. Komórka macierzysta może stać się neuronem, ale neuron nigdy nie wróci do bycia komórką macierzystą. Tak jak z upieczonego ciasta nie da się odzyskać mąki i jajek.
Shinya Yamanaka udowodnił, że to nieprawda. Wraz ze współpracownikami wykazał, że wystarczy wprowadzić do dojrzałej komórki cztery konkretne białka, żeby cofnęła się do stanu przypominającego komórkę zarodkową. Te białka to OCT4, SOX2, KLF4 i MYC**,** znane dziś zbiorczo jako czynniki Yamanaki albo skrótem OSKM. Powstałe w ten sposób komórki nazwano indukowanymi pluripotencjalnymi komórkami macierzystymi (iPSC), a przymiotnik „pluripotencjalne" oznacza po prostu, że mogą przekształcić się w niemal dowolną tkankę organizmu.
W 2012 roku Yamanaka otrzymał za to Nagrodę Nobla w dziedzinie fizjologii lub medycyny. Znaczenie tego odkrycia trudno przecenić, bo rozwiązywało ono również ogromny problem etyczny: dawało dostęp do komórek macierzystych bez sięgania po zarodki. Materiał można pobrać ze skóry dorosłego człowieka.
Wąskie gardło
Jest tylko jeden problem, i to on przez dwie dekady spowalniał całą dziedzinę. Przeprogramowanie komórek jest dramatycznie nieefektywne**.** Proces trwa kilka tygodni, a mniej niż jeden procent komórek potraktowanych czynnikami w laboratoryjnej szalce faktycznie kończy tę drogę.
Pomyśl, co to znaczy w praktyce. Bierzesz milion komórek skóry, czekasz trzy tygodnie i dostajesz garstkę komórek macierzystych. Każdy eksperyment trwa miesiąc. Każda terapia oparta na tej technologii dziedziczy tę powolność i ten koszt. To jest właśnie ten rodzaj problemu inżynieryjnego, który nie brzmi spektakularnie w nagłówkach, ale realnie decyduje o tym, czy medycyna regeneracyjna zostanie ciekawostką z laboratorium, czy trafi do szpitali.
Co zrobiła sztuczna inteligencja
W 2025 roku OpenAI ogłosiło współpracę z Retro Biosciences, firmą biotechnologiczną zajmującą się badaniami nad długowiecznością, która postawiła sobie za cel wydłużenie ludzkiego życia o dziesięć lat. Powstał model o nazwie GPT-4b micro, opisywany jako miniaturowa, wyspecjalizowana w inżynierii białek wersja modelu GPT-4o.
Dlaczego nie AlphaFold
To ciekawy szczegół techniczny, który tłumaczy, dlaczego potrzebne było zupełnie inne podejście. Słynny AlphaFold od Google DeepMind przewiduje, jaki kształt przyjmie białko. Ale czynniki Yamanaki są, jak to ujęto, wyjątkowo „miękkie" i pozbawione stałej struktury. To tak zwane białka natywnie nieuporządkowane. Przewidywanie kształtu czegoś, co kształtu w zasadzie nie ma, niewiele daje. Dlatego sięgnięto po podejście językowe, oparte na sekwencji.
Model wytrenowano na sekwencjach białkowych pochodzących z wielu gatunków oraz na danych o tym, które białka wchodzą ze sobą w interakcje. To dużo danych, ale i tak ułamek tego, na czym uczy się duży model językowy, co czyni GPT-4b micro przykładem małego modelu językowego pracującego na wąskim, wyspecjalizowanym zbiorze. Co ciekawe, w trakcie prac zaobserwowano prawa skalowania podobne do tych znanych z modeli językowych: większe modele trenowane na większych zbiorach dawały przewidywalne przyrosty jakości.
Wyniki
Model zaprojektował nowe warianty dwóch z czterech czynników Yamanaki, SOX2 i KLF4. Nazwano je RetroSOX i RetroKLF. Oto co zaraportowano:
Ponad 50-krotnie wyższa ekspresja markerów przeprogramowania komórek macierzystych w warunkach laboratoryjnych, w porównaniu z białkami typu dzikiego, czyli naturalnymi.
Wzmocnione zdolności naprawy DNA po ekspozycji na czynnik uszkadzający genom, co interpretowano jako oznakę większego potencjału odmładzającego.
Ponad 30 procent zaprojektowanych przez AI wariantów RetroSOX wykazywało wyższą aktywność przeprogramowującą niż naturalny SOX2, a niektóre z nich różniły się od oryginału o ponad 100 aminokwasów. To bardzo dużo, znacznie więcej niż przy klasycznej, ręcznej inżynierii białek.
Blisko 50 procent wariantów RetroKLF przewyższało wersje zaprojektowane wcześniej ręcznie przez ludzi.
W fibroblastach markery pluripotencji, takie jak NANOG i TRA-1-60, pojawiały się całe dni przed zwykłym terminem. Czas uzyskania komórek iPSC skrócił się z około trzech tygodni do mniej więcej siedmiu dni.
👵 W komórkach mezenchymalnych pobranych od dawców po pięćdziesiątce, przy dostarczeniu białek za pomocą mRNA, ponad 30 procent komórek zaczęło wyrażać markery macierzystości w ciągu siedmiu dni, a ponad 85 procent aktywowało własne geny pluripotencji w ciągu dwunastu dni.
Wyniki zreplikowano wewnętrznie na materiale od wielu dawców, na różnych typach komórek i przy różnych metodach dostarczania, potwierdzając pełną pluripotencję oraz stabilność genomową uzyskanych linii komórkowych.
★ Co jest tu naprawdę zaskakujące: nie sama liczba, lecz odległość od oryginału. Naukowcy majstrowali przy czynnikach Yamanaki od lat, zamieniając pojedyncze aminokwasy albo sklejając fragmenty różnych białek. Model AI poszedł znacznie dalej, proponując warianty różniące się od naturalnego białka o ponad sto aminokwasów, a mimo to działające lepiej. To pokazuje, że przeszukał obszar możliwych rozwiązań, do którego człowiek metodą prób i błędów praktycznie nie ma dostępu, bo liczba kombinacji jest astronomiczna.
Po co komu komórki iPSC
Warto zrozumieć, dlaczego tak wiele osób ekscytuje się tą technologią. Komórki iPSC są dziś podstawą kilku bardzo konkretnych kierunków medycyny:
Modelowanie chorób. Można wziąć komórki skóry pacjenta z rzadką chorobą, przekształcić je w neurony i badać jego chorobę w szalce, zamiast na nim samym.
Testowanie leków na ludzkich komórkach, zanim trafią do ludzi.
Terapie komórkowe. Trwają prace nad zastosowaniami w chorobach oczu prowadzących do ślepoty, w cukrzycy, w niepłodności oraz nad hodowanymi tkankami mającymi odpowiadać na niedobór narządów do przeszczepu.
Częściowe przeprogramowanie. To najbardziej brawurowy kierunek: zamiast cofać komórkę do samego początku, cofnąć ją tylko trochę, żeby odmłodzić, ale nie odebrać jej tożsamości.
Ten ostatni kierunek ma już solidne, recenzowane zaplecze naukowe niezależne od opisywanej współpracy. Przejściowe włączanie czynników Yamanaki przywracało wzrok w mysich modelach jaskry, wydłużało życie zwykłych myszy laboratoryjnych i poprawiało regenerację wątroby w badaniach na zwierzętach. Biologia leżąca u podstaw tego wszystkiego jest realna i aktywnie badana.
Czego nie wiemy
Tu dochodzimy do części, której brakuje w większości entuzjastycznych relacji, a bez której obraz jest niepełny.
⚠ To nie jest recenzowana publikacja naukowa. Opisane wyniki pochodzą z materiałów opublikowanych przez OpenAI i Retro Biosciences. Według stanu na maj 2026 praca nadal pozostawała komunikatem firmowym, a nie artykułem, który przeszedł recenzję naukową, choć obie strony zapowiadały publikację. W nauce to istotna różnica: recenzja oznacza, że niezależni specjaliści prześwietlili metodykę i mieli prawo zażądać poprawek.
Do tego dochodzą cztery konkretne zastrzeżenia, o których warto wiedzieć:
1. Sekwencje nie zostały udostępnione
Ani sekwencje zaprojektowanych białek, ani wagi modelu, ani dane treningowe nie są publicznie dostępne. To oznacza, że zewnętrzne zespoły nie mogą samodzielnie zweryfikować tych wyników. Dla porównania, konkurencyjne modele białkowe poszły w drugą stronę: ESM3 jest opublikowany i dostępny przez API, ProGen3 ma publiczny preprint, a AlphaFold 3 udostępniono do zastosowań niekomercyjnych.
2. Replikacja była wewnętrzna
Powtórzenie wyników na wielu dawcach i typach komórek to solidna praktyka, ale odbyło się wewnątrz firmy. Niezależne powtórzenie przez zewnętrzne laboratoria jest wciąż potrzebne, żeby wzmocnić zaufanie do tych danych.
3. Konflikt interesów, ujawniony wprost
Warto docenić, że OpenAI samo to wskazuje: Sam Altman, współzałożyciel OpenAI, jest inwestorem w Retro Biosciences. To nie unieważnia wyników, ale jest okolicznością, o której czytelnik powinien wiedzieć.
4. Efektywność to nie jedyne wąskie gardło
To zastrzeżenie zgłaszane przez samych naukowców i jest może najważniejsze. Literatura naukowa jest pełna wcześniejszych prób ulepszania czynników Yamanaki metodami klasycznymi, i wiele z nich również raportowało duże skoki wydajności. Nowością nie jest więc cel, lecz metoda. Co więcej, w zastosowaniach terapeutycznych, zwłaszcza przy częściowym przeprogramowaniu wewnątrz żywego organizmu, największym problemem nie jest wcale wydajność, tylko dostarczanie, czyli jak wprowadzić te białka do właściwych komórek, we właściwym momencie i bezpiecznie. Tego problemu żaden model językowy sam nie rozwiąże.
Co to znaczy dla zwykłego Kowalskiego
Powiedzmy to wprost, bo w tego typu doniesieniach łatwo o rozczarowanie. To nie jest terapia, nie jest lek i nie jest coś, co można dziś kupić czy przyjąć. To ulepszone narzędzie laboratoryjne. Jego znaczenie polega na tym, że badania, które trwały trzy tygodnie, mogą trwać tydzień, a to przyspiesza całą dziedzinę.
Droga od takiego wyniku do terapii dostępnej pacjentowi liczy się w latach i wiedzie przez badania kliniczne, których większość kandydatów nigdy nie kończy. Warto o tym pamiętać, bo wokół tematu długowieczności narosło mnóstwo marketingu, a firmy z tej branży działają pod ogromną presją inwestorów i narracji.
Najciekawsza myśl na koniec
Jest w tej historii coś, co warto zauważyć, niezależnie od tego, jak ostatecznie zweryfikują się liczby.
Sztuczna inteligencja nie zastąpiła intuicji Yamanaki. Wzięła jego dwudziestoletnie odkrycie i zoptymalizowała je w skali, która metodą prób i błędów byłaby dla człowieka praktycznie nieosiągalna.
To jest, jak się wydaje, właściwy sposób myślenia o roli AI w nauce. Człowiek zadał pytanie, którego nikt wcześniej nie odważył się zadać: czy rozwój komórki naprawdę jest drogą w jedną stronę? To był akt wyobraźni, przekroczenie obowiązującego dogmatu, i żaden model tego nie zrobiłby za niego. Ale gdy pytanie już padło i odpowiedź została znaleziona, zostaje ogrom żmudnej pracy optymalizacyjnej: przeszukać miliardy kombinacji aminokwasów w poszukiwaniu lepszej wersji. I tu maszyna ma przewagę, której człowiek nie dogoni.
Historia czynników Yamanaki i sztucznej inteligencji to opowieść o dwóch różnych rodzajach geniuszu. Jeden to ludzka odwaga zadania pytania wbrew temu, w co wszyscy wierzyli. Drugi to maszynowa cierpliwość przeszukania przestrzeni tak wielkiej, że ludzki umysł jej nie ogarnia. Wyniki, o których mowa, wymagają jeszcze niezależnego potwierdzenia i recenzji naukowej, i uczciwość każe to powtórzyć. Ale kierunek jest fascynujący: oto narzędzie, które nie wymyśla nauki za nas, tylko rozsuwa granice tego, co zdążymy sprawdzić w ciągu jednego ludzkiego życia. A w medycynie tempo bywa równie ważne jak sam pomysł.
Najczęstsze pytania
Czym są czynniki Yamanaki?
To cztery białka, OCT4, SOX2, KLF4 i MYC, które wprowadzone do dojrzałej komórki potrafią cofnąć ją do stanu przypominającego komórkę zarodkową. Odkrył je Shinya Yamanaka w 2006 roku i otrzymał za to Nagrodę Nobla w 2012 roku.
Co to są komórki iPSC?
Indukowane pluripotencjalne komórki macierzyste, czyli dorosłe komórki cofnięte do stanu, w którym mogą przekształcić się w niemal dowolną tkankę organizmu. Ich ogromną zaletą jest to, że powstają z komórek dorosłego człowieka, na przykład ze skóry, bez konieczności sięgania po komórki zarodkowe.
Na czym polegał problem z przeprogramowaniem komórek?
Na skrajnie niskiej wydajności. Proces trwał kilka tygodni, a mniej niż jeden procent traktowanych komórek faktycznie go kończył. To sprawiało, że każdy eksperyment był długi i kosztowny.
Co dokładnie zrobił model AI?
Model GPT-4b micro zaprojektował nowe warianty dwóch czynników Yamanaki, SOX2 i KLF4, nazwane RetroSOX i RetroKLF. Według opublikowanych danych osiągnęły one ponad 50-krotnie wyższą ekspresję markerów przeprogramowania niż białka naturalne, a czas uzyskania komórek iPSC skrócił się z około trzech tygodni do siedmiu dni.
Czy te wyniki są pewne?
Wymagają jeszcze potwierdzenia. Pochodzą z materiałów opublikowanych przez firmy, a nie z recenzowanej publikacji naukowej, sekwencje zaprojektowanych białek nie zostały udostępnione, a replikacja odbyła się wewnątrz firmy. Niezależna weryfikacja przez zewnętrzne laboratoria jest wciąż potrzebna.
Czy to znaczy, że będziemy żyć dłużej?
Nie wynika to z tych badań. To ulepszone narzędzie laboratoryjne, a nie terapia. Droga od takiego wyniku do leczenia dostępnego pacjentom liczy się w latach i prowadzi przez badania kliniczne, których większość kandydatów nigdy nie kończy pomyślnie.
Czytaj też na blogu Planeta Konopi
Nieopłacalne sieroty, dlaczego niektóre substancje nie są badane
Łopian większy, chwast, warzywo i zioło z tysiącletnią historią
Źródła
Informacje oparto na materiałach źródłowych i relacjach branżowych, zachęcamy do samodzielnego sprawdzenia:
OpenAI, Accelerating life sciences research with Retro Biosciences (komunikat źródłowy, wyniki, ujawnienie konfliktu interesów). OpenAI
MIT Technology Review, OpenAI has created an AI model for longevity science, 2025 (kontekst, wydajność poniżej 1 procenta, dlaczego nie AlphaFold). MIT Technology Review
BiopharmaTrend, OpenAI and Retro Biosciences report 50x pluripotency marker expression gains, 2025 (RetroSOX, RetroKLF, szczegóły). BiopharmaTrend
p05.org, Company of the week: Retro Biosciences, 2026 (status recenzji, transparentność, porównanie z ESM3 i AlphaFold 3, dane liczbowe). p05.org
Komentarz Niko McCarty'ego (Asimov Press) o wcześniejszej literaturze nad inżynierią czynników Yamanaki i o problemie dostarczania. Wątek
Artykuł ma charakter wyłącznie edukacyjny i popularnonaukowy i nie stanowi porady medycznej. Opisywane badania dotyczą prac laboratoryjnych, nie terapii dostępnych dla pacjentów, a ich wyniki pochodzą z materiałów opublikowanych przez zaangażowane firmy i nie zostały dotąd zweryfikowane w drodze recenzji naukowej. Żadna z opisanych technologii nie jest dostępna jako leczenie ani suplement. planetakonopi.pl, © 2026
