Virtuální buňka: AI a biomechanika pro in silico experimenty

Virtuální buňka: kde se AI setkává s biomechanikou

Vytvoření digitálního modelu živé buňky – není to vědecká fantastika, ale složitý inženýrský úkol na rozhraní systémové biologie, výpočetního modelování a strojového učení. Dnešní pokusy spojit deterministické mechanistické modely s prediktivními systémy AI otevírají cestu k experimentům in silico, které mohou nahradit nákladné laboratorní postupy.

Proč se JCVI-syn3A stala etalonem

Minimální syntetická bakterie JCVI-syn3A, obsahující pouze 493 genů, se stala první platformou, na které se podařilo vytvořit plnohodnotnou mechanistickou simulaci buněčného cyklu. Autoři studie zahrnuli:

• Všechny známé biochemické reakce;
• Vzorce exprese genů;
• Prostorovou organizaci molekul uvnitř buňky;
• Stochastické prvky odrážející přirozenou variabilitu mezi buňkami.

Výsledek – 50 nezávislých simulací vizualizujících replikaci chromozomu a jeho segregaci. Není to jen animace: každý model zohledňuje kinetiku enzymů, koncentrace metabolitů a časové zpoždění. Nicméně takový přístup nelze škálovat na E. coli (s 4300 geny) nebo lidskou buňku (s 20 000+) bez radikální revize metodologie.

AI jako alternativa „zdola nahoru"

Zatímco mechanistické modely vyžadují ruční popis každé biochemické cesty, systémy založené na AI se učí přímo z vícedimenzionálních dat:

• Transkriptomika – úrovně exprese tisíců genů současně;
• Proteomika – kvantitativní profily proteinů;
• Vysokovýkonná mikroskopie – prostorové a časové vzorce;
• Data z CRISPR-screeningů – odpovědi buněk na genetická narušení.

Příkladem je model State od Arc Institute, který byl trénován na 170 milionech buněk a 100 milionech datových bodů o narušeních. Takové systémy dokážou předpovídat transkriptomickou odpověď na lék bez znalosti konkrétních signálních kaskád. Cena je však „černá skříňka". Pokud se model mýlí, nelze přesně určit, který biochemický krok byl zmodelován špatně.

Kde se virtuální buňky používají již dnes

Ačkoli plně funkční digitální buňka je záležitostí budoucnosti, částečné realizace již přinášejí prospěch:

• Metabolické inženýrství: modelování optimálních cest pro výrobu biopaliv v kvasinkách před zahájením genové modifikace;
• Farmakologie: předpovídání toxicity léků na základě změn v metabolických sítích;
• Precizní medicína: simulace chování nádorových buněk při kombinované terapii;
• CRISPR-design: předpovídání off-target efektů při vícenásobných genetických úpravách.

Klíčové omezení – neúplnost biologických databází. Pro většinu enzymů nejsou známy konstanty Michaëlis-Mentenovy, a regulační interakce jsou zmapovány jen částečně. Chyba 10 % v parametru rychlosti reakce může vést k odchylce 300 % ve výstupu cílového produktu.

Velké projekty a výpočetní výzvy

V letech 2025–2026 se aktivizovaly globální iniciativy:

• Virtual Cells Platform (Chan Zuckerberg Initiative + NVIDIA) – unifikované prostředí pro společný vývoj modelů s podporou GPU-zrychlení;
• Alpha Cell (SciLifeLab) – model AI založený na atlase lidských proteinů a prostorově-časových datech;
• Virtual Cell Challenge (Arc Institute) – soutěž s účastí týmů z 14 zemí zaměřená na standardizaci metrik kvality modelů.

Výpočetní složitost zůstává bariérou. Mechanistický model JCVI-syn3A vyžaduje hodiny výpočtů na clusteru i pro jeden buněčný cyklus. Trénování modelů AI na stovek milionech buněk je úkol pro distribuované GPU-farmy. Navíc je třeba zohlednit stochastičnost: dvě geneticky identické buňky ve stejných podmínkách mohou vykazovat různé chování kvůli šumu exprese genů.

Integrace, ne náhrada

Budoucnost není v čistě mechanistických nebo čistě AI přístupech, ale v jejich hybridizaci. Například:

• Použít AI k vyplnění mezer v kinetických parametrech, kde chybí experimentální data;
• Aplikovat mechanistické modely k ověření predikcí AI v klíčových uzlových bodech;
• Zavést interpretovatelné architektury AI (např. attention maps), aby bylo možné sledovat, které biologické znaky ovlivňují predikci.

Zkušenost z projektu Human Cell Atlas ukazuje: i nedokončené mapy buněčných typů již změnily onkologii a imunologii. Stejně tak částečné modely virtuálních buněk začnou ovlivňovat biotechnologie dlouho před dosažením „plného“ digitálního dvojníka.

Co je důležité:

• Plnohodnotný mechanistický model buňky je možný jen pro minimální organismy jako JCVI-syn3A.
• Modely AI jsou škálovatelné, ale trpí nedostatkem interpretovatelnosti a vyžadují obrovská datová sada.
• Praktické aplikace již existují v metabolickém inženýrství a screeningu léků.
• Hybridní přístupy jsou jedinou realistickou cestou k univerzální virtuální buňce.
• Výpočetní požadavky a neúplnost biologických dat jsou hlavní překážky na příštích 5–10 let.

— Editorial Team