AI nie musi wymyślić idealnego dopingu. Wystarczy, że będzie szybsza od laboratoriów
Przez lata antydoping działał według dość prostego schematu. Pojawiał się nowy środek, ktoś zaczynał go stosować, a laboratoria próbowały ustalić, czego właściwie szukać i jak to wykryć. Sztuczna inteligencja może ten układ poważnie zaburzyć, bo potrafi w krótkim czasie wygenerować i przeanalizować tysiące potencjalnych cząsteczek. Dla systemu antydopingowego to zupełnie nowa skala problemu.
Nie ma dziś żadnych dowodów na to, że zawodnicy czy zespoły wykorzystują generatywną AI do projektowania środków dopingujących. Są za to bardzo konkretne dowody na to, że narzędzia potrzebne do takiego procesu już istnieją i szybko się rozwijają. To wystarczy, żeby potraktować temat poważnie, ale jednocześnie nie popaść w sensację i nie udawać, że coś, co na razie jest scenariuszem, już wydarzyło się w zawodowym sporcie.
8918 propozycji, siedem cząsteczek w laboratorium
Dobrym przykładem możliwości współczesnej AI jest badanie opublikowane w Chemical Science. Pracowali nad nim naukowcy związani między innymi z Insilico Medicine, University of Toronto, Vector Institute, CIFAR i Stanford University. Zespół wykorzystał strukturę białka CDK20 przewidzianą przez AlphaFold i połączył ją z systemem generatywnego projektowania cząsteczek. Powstało 8918 kandydatów, z których do syntezy i dalszych badań trafiło zaledwie siedem.
Jeden z tych związków wykazał aktywność, a kolejna runda prac doprowadziła do otrzymania jeszcze silniejszego kandydata. Od wyboru celu biologicznego do pierwszego potwierdzonego trafienia minęło około 30 dni. Nie był to oczywiście eksperyment związany z dopingiem, tylko z poszukiwaniem potencjalnego leku, ale dobrze pokazuje zmianę skali. Zamiast ręcznie rozważać dziesiątki możliwości, można najpierw wygenerować tysiące struktur, przesiać je komputerowo i dopiero potem zdecydować, które warto naprawdę wytworzyć.
To nadal tylko początek drogi. Obiecująca cząsteczka na ekranie nie jest gotowym preparatem. Trzeba ją zsyntetyzować, sprawdzić jej stabilność, biodostępność, metabolizm, toksyczność i rzeczywisty wpływ na organizm, a wiele świetnie wyglądających kandydatów odpada właśnie na tych etapach. AI nie zastępuje więc laboratorium, ale może bardzo mocno ograniczyć liczbę ślepych uliczek i skrócić czas potrzebny na znalezienie interesujących rozwiązań.
Kiedy zmienia się cel
W 2022 roku naukowcy związani z Collaborations Pharmaceuticals, King's College London i szwajcarskim Spiez Laboratory pokazali coś znacznie bardziej niepokojącego. Na co dzień ich system AI służył do projektowania leków i między innymi odrzucał cząsteczki o wysokiej toksyczności. W eksperymencie opisanym później w Nature Machine Intelligence zmieniono jednak kryterium i model miał nie unikać toksyczności, lecz jej szukać.
W ciągu około sześciu godzin system wygenerował około 40 tysięcy potencjalnie niebezpiecznych związków. Wśród nich pojawiły się zarówno struktury podobne do już znanych toksycznych substancji, jak i propozycje wcześniej nieopisywane. Autorzy bardzo wyraźnie zaznaczali, że komputer nie stworzył 40 tysięcy gotowych trucizn, bo część struktur mogła być niemożliwa do syntezy, a część mogła nie działać zgodnie z przewidywaniami.
Znaczenie tego eksperymentu leży gdzie indziej. Pokazał, że sposób wykorzystania modelu zależy przede wszystkim od celu, jaki zostanie mu postawiony. Jeżeli AI potrafi szukać cząsteczki wpływającej na określony mechanizm biologiczny, trudno wykluczyć, że podobne narzędzia mogłyby zostać kiedyś użyte do poszukiwania substancji poprawiających cechy ważne w sporcie. Nie ma dowodów, że już się to dzieje, ale technologicznie taki kierunek nie wygląda dziś jak science fiction.
THG pokazało słabość systemu jeszcze przed epoką AI
Najlepszym dowodem na to, że nieznana cząsteczka może sprawić laboratoriom realny problem, pozostaje historia THG. W 2003 roku USADA otrzymała od informatora zużytą strzykawkę zawierającą nieznaną substancję. Próbka trafiła do laboratorium UCLA kierowanego przez Dona Catlina, gdzie zidentyfikowano tetrahydrogestrinone, czyli THG, środek, który później stał się jednym z symboli afery BALCO.
Rutynowe testy stosowane w tamtym czasie go nie wykrywały. Najpierw trzeba było zdobyć próbkę, ustalić strukturę związku i dopiero później opracować sposób jego oznaczania. To wydarzyło się ponad dwadzieścia lat temu, bez udziału generatywnej sztucznej inteligencji. Dzisiaj różnica polega na tym, że sam etap poszukiwania nowych struktur może zostać znacząco przyspieszony.
Dla antydopingu to niewygodna perspektywa, bo laboratorium może być świetnie przygotowane do wykrywania setek znanych substancji, a jednocześnie mieć problem z czymś, czego jeszcze nikt nie scharakteryzował. Nie oznacza to, że taki związek jest legalny albo całkowicie niewykrywalny. Oznacza tylko, że system najpierw musi się dowiedzieć, czego powinien szukać i jakie ślady dana substancja zostawia w organizmie.
8,9 miliona potencjalnych nowych substancji
Jeszcze bardziej wymowny przykład pochodzi z badań nad nowymi substancjami psychoaktywnymi. W 2021 roku zespół z University of British Columbia, University of Alberta, Alberta Machine Intelligence Institute, University of Copenhagen i Pacific Northwest National Laboratory opublikował w Nature Machine Intelligence pracę dotyczącą systemu DarkNPS. Model wygenerował około 8,9 miliona potencjalnych nowych struktur chemicznych.
Nie oznaczało to, że wszystkie miały szansę pojawić się na rynku. Zbiór był celowo bardzo szeroki. Znacznie ciekawsze okazało się późniejsze porównanie wyników modelu z nowymi designer drugs, które faktycznie zaczęły pojawiać się już po stworzeniu tej biblioteki. Wśród 196 nowych substancji ponad 90 procent znajdowało się w przestrzeni struktur wygenerowanych wcześniej przez system.
AI nie przewidziała więc dokładnie, co ktoś wyprodukuje i kiedy to zrobi. Potrafiła natomiast dobrze opisać obszar chemiczny, w którym później rzeczywiście zaczęły pojawiać się nowe związki. Dla laboratoriów to bardzo cenna umiejętność, bo pozwala przygotowywać się na przyszłe zagrożenia wcześniej, zamiast czekać, aż pierwsza konkretna substancja zostanie wykryta albo dostarczona przez informatora.
WADA już zajmuje się „chemical AI”
Ten kierunek nie umknął Światowej Agencji Antydopingowej. Wśród projektów badawczych finansowanych przez WADA znalazł się projekt kierowany przez Michaela Skinnidera z Princeton University. Jego pełny tytuł brzmi: A chemical artificial intelligence platform for performance-enhancing drug identification using untargeted mass spectrometry.
Badacze chcą wykorzystać sztuczną inteligencję i niecelowaną spektrometrię mas do identyfikowania środków poprawiających wydolność. To ważne, bo pokazuje, że antydoping już dziś przygotowuje się na sytuację, w której nie wystarczy mieć gotowej listy znanych substancji. Klasyczna analiza celowana działa znakomicie wtedy, gdy wiadomo, czego szukać, ale przy związku zupełnie nowym sytuacja robi się znacznie trudniejsza.
Niecelowana spektrometria mas pozwala zebrać szerszy obraz próbki, a sztuczna inteligencja może pomagać wychwytywać sygnały, które wcześniej nie zostałyby uznane za interesujące. W praktyce oznacza to zmianę sposobu myślenia. Laboratorium nie musi już ograniczać się wyłącznie do pytania, czy w próbce znajduje się jedna z kilku tysięcy znanych substancji, ale może próbować znaleźć coś, czego wcześniej w ogóle nie zakładano.
Nowa cząsteczka nie musi być wpisana na listę z nazwy
Łatwo dojść do wniosku, że system WADA będzie zawsze spóźniony, bo lista substancji zabronionych aktualizowana jest raz w roku, a AI może generować nowe struktury praktycznie bez przerwy. Takie porównanie dobrze brzmi, ale upraszcza problem. Przepisy WADA nie działają wyłącznie na zasadzie katalogu nazw.
Lista obowiązująca od 1 stycznia 2026 roku obejmuje między innymi substancje niezatwierdzone do stosowania terapeutycznego u ludzi, designer drugs oraz związki o podobnej strukturze chemicznej albo podobnym działaniu biologicznym. Nowa substancja może więc być zabroniona, nawet jeśli jej nazwy nie ma jeszcze w żadnym oficjalnym dokumencie.
Znacznie trudniejsza jest kwestia jej znalezienia. Laboratorium musi wiedzieć, jaki sygnał analityczny wskazuje na obecność związku, jakie powstają metabolity i jak długo można je wykryć. Jeśli struktura jest nieznana, również test może być ślepy. Problem nie leży więc przede wszystkim w regulaminie, lecz w przewadze informacyjnej osoby, która wie, czego używa, nad laboratorium, które dopiero próbuje to ustalić.
Czy można projektować pod test?
W tym miejscu zaczyna się obszar hipotezy, ale całkiem mocno osadzonej w dzisiejszej technologii. Współczesne modele używane przy projektowaniu leków potrafią optymalizować wiele cech jednocześnie. Cząsteczka ma nie tylko działać na określony cel biologiczny, ale również mieć odpowiednią trwałość, rozpuszczalność, biodostępność czy akceptowalny profil toksyczności.
Teoretycznie do takich kryteriów można dodawać kolejne parametry. Można więc wyobrazić sobie system poszukujący związku, który działa wystarczająco mocno, daje się zsyntetyzować, jest tolerowany przez organizm i jednocześnie ma taki metabolizm, żeby jego wykrycie było trudniejsze. Nie wiemy, czy ktoś już próbował zastosować taki model w sporcie i nie ma na to żadnych publicznie dostępnych dowodów.
Nie wiadomo też, czy efekt końcowy byłby w ogóle użyteczny. Biologia jest znacznie bardziej skomplikowana niż symulacja komputerowa, a organizm potrafi bardzo szybko zweryfikować najbardziej eleganckie modele. Sam mechanizm wielokryterialnego projektowania cząsteczek jest jednak realny i właśnie dlatego warto brać taki scenariusz pod uwagę.
W kolarstwie wystarczy niewielka przewaga
Najbardziej oczywisty obraz dopingu kojarzy się z substancją, która powoduje gwałtowny wzrost możliwości zawodnika. W czasach EPO taki sposób myślenia miał sporo wspólnego z rzeczywistością. Przy współczesnym sporcie bardziej niepokojący może być jednak scenariusz, w którym nie pojawia się jeden preparat dający ogromny skok, lecz kilka mniejszych ingerencji.
Trochę szybsza regeneracja pomiędzy kolejnymi ciężkimi treningami, większa tolerancja obciążeń, nieco lepsza adaptacja, subtelna zmiana metabolizmu albo gospodarki hormonalnej. Na poziomie zawodowego kolarstwa niewielkie przewagi potrafią mieć duże znaczenie. Cała współczesna filozofia przygotowania opiera się przecież na sumowaniu drobiazgów: pozycji na rowerze, aerodynamiki, żywienia, chłodzenia, regeneracji i sprzętu.
Gdyby podobne podejście przenieść do farmakologii, klasyczne myślenie o jednej „cudownej substancji” mogłoby okazać się przestarzałe. Najtrudniejszy do wykrycia niekoniecznie byłby więc środek dający zawodnikowi spektakularny wzrost mocy. Znacznie większym problemem mogłyby być drobne przewagi, które pojedynczo nie wyglądają podejrzanie, ale razem wpływają na poziom sportowy.
Paszport biologiczny zmienił już sposób myślenia
Antydoping od dawna wie, że nie zawsze uda się złapać samą substancję. Dlatego tak ważny stał się Athlete Biological Passport. UCI wprowadziła jego pierwszą wersję w zawodowym kolarstwie w 2008 roku, a zamiast patrzeć wyłącznie na pojedynczy wynik badania, zaczęto obserwować parametry zawodnika przez dłuższy czas.
Jeżeli organizm nagle zaczyna zachowywać się inaczej niż wcześniej, może to być sygnał do dokładniejszej kontroli. System rozwijano później o kolejne moduły, między innymi steroidowy i endokrynologiczny. Coraz większe zainteresowanie budzą również metabolomika, proteomika, wysokorozdzielcza spektrometria mas oraz machine learning.
Przegląd opublikowany w 2025 roku w czasopiśmie Metabolites przez naukowców związanych między innymi z Qatar University, Qatar Antidoping Agency, Saudi Anti-Doping Laboratory i University of Florence opisuje wykorzystanie metabolomiki i uczenia maszynowego właśnie w takim kontekście. Chodzi o wychwytywanie nie tylko konkretnej obcej substancji, ale również zmian w całym profilu metabolicznym organizmu.
Taki sygnał sam w sobie nie wystarczy oczywiście do dyskwalifikacji. Może jednak wskazać próbkę albo zawodnika, którym warto przyjrzeć się dokładniej. W przyszłości właśnie ten sposób pracy może okazać się kluczowy w przypadku środków, których struktury laboratorium jeszcze nie zna.
ITA zaczęła analizować również dane z mierników mocy
W kolarstwie ten sposób myślenia idzie jeszcze dalej. International Testing Agency prowadzi obecnie projekt sprawdzający, czy długoterminowe dane mocy mogą być użyte jako dodatkowe źródło informacji w działaniach antydopingowych. W pilotażu uczestniczy około 60 zawodników z czterech ekip WorldTour i jednego zespołu ProTeam.
Nikt nie zamierza oczywiście karać kolarza za wysokie W/kg i ITA wyraźnie podkreśla, że sam wynik sportowy nie jest dowodem dopingu. Dane mogą jednak zwrócić uwagę na nietypową zmianę, pomóc wytypować zawodnika do kontroli, zdecydować o bardziej szczegółowej analizie próbki albo o jej długoterminowym przechowaniu.
W świecie coraz bardziej subtelnych ingerencji biologicznych takie dodatkowe informacje mogą mieć większą wartość niż dziś. Zwłaszcza wtedy, gdy połączymy je z paszportem biologicznym, wynikami badań laboratoryjnych i wcześniejszym profilem zawodnika. Pojedynczy parametr niewiele mówi, ale kilka nietypowych zmian zachodzących jednocześnie może już stać się powodem do dokładniejszej kontroli.
Próbka może poczekać dziesięć lat
System antydopingowy ma jeszcze jedną przewagę: nie musi wygrać od razu. Próbki mogą być przechowywane nawet przez dziesięć lat i badane ponownie, kiedy pojawią się lepsze metody analityczne. Podczas Tour de France 2026 ITA ponownie zapowiadała długoterminowe przechowywanie wybranych próbek.
Nie jest to tylko teoria. W lipcu 2026 roku agencja poinformowała o czteroletnim zawieszeniu chińskiej kolarki torowej Junhong Lin. Sprawa opierała się na dwóch próbkach pobranych jeszcze w 2016 roku i ponownie przebadanych wiele lat później. Nowe metody pozwoliły wykazać egzogenne pochodzenie markerów steroidowych.
Dla kogoś próbującego wyprzedzić laboratorium oznacza to istotne ryzyko. To, czego nie da się znaleźć dzisiaj, może zostać znalezione za kilka lat, kiedy pojawi się nowa metoda albo nowe informacje. W tym sensie technologiczny wyścig działa w obie strony.
Kto będzie szybszy?
Nie da się dziś powiedzieć, że sztuczna inteligencja zmieni doping w zawodowym sporcie. Nie wiemy nawet, czy ktoś próbuje wykorzystać ją w ten sposób. Wiadomo jednak, że AI potrafi projektować nowe cząsteczki, selekcjonować je według wielu kryteriów i pomagać przewidywać obszary chemiczne, w których mogą pojawiać się nowe substancje.
Historia THG pokazała, że zupełnie nowy związek może przez pewien czas pozostawać poza rutynowymi testami. DarkNPS udowodnił z kolei, że sztuczna inteligencja może pomóc przewidywać, gdzie takich nowych cząsteczek szukać. WADA finansuje już badania nad wykorzystaniem chemical AI do identyfikowania środków poprawiających wydolność, a ITA analizuje paszporty biologiczne, dane z mierników mocy i przechowuje próbki na przyszłość.
Wyścig technologiczny więc już trwa, choć na razie nie wiadomo, czy druga strona rzeczywiście korzysta z podobnych narzędzi. Jeśli kiedyś zacznie, największym problemem może nie być znalezienie jednej cudownej substancji, lecz tempo, w jakim będą pojawiały się kolejne możliwości. Laboratoria będą wtedy musiały coraz częściej patrzeć nie tylko na to, jaka substancja znajduje się w próbce, ale również na to, co zmieniło się w organizmie zawodnika i czy ta zmiana ma naturalne wyjaśnienie.
Źródła
USADA – materiały dotyczące afery BALCO, identyfikacji THG oraz prac laboratorium UCLA.
World Anti-Doping Agency – Lista Substancji i Metod Zabronionych WADA 2026.
World Anti-Doping Agency – dokumentacja Athlete Biological Passport i modułu endokrynologicznego.
Metabolites, 2025 – przegląd dotyczący wykorzystania metabolomiki i machine learningu w antydopingu.
International Testing Agency – sprawa Junhong Lin i ponowna analiza próbek pobranych w 2016 roku.
komentarze