Existuje miliarda možných variant fentanylu. Věda právě vyvinula metodu, jak je detekovat – i ty, které ještě nikdo neviděl

Fentanyl je syntetický opioid přibližně stokrát silnější než morfin. Jako analgetikum má v medicíně důležité místo – jako nelegálně distribuovaná látka nebo příměs do jiných drog způsobuje celosvětovou krizi předávkování. Jen ve Spojených státech zabíjel v nedávných letech přes 70 000 lidí ročně. Klíčovým problémem pro protidrogové a forenzní laboratoře není ani tak fentanyl samotný, jako spíše jeho nekonečně variabilní chemičtí příbuzní: analogy s mírně pozměněnou strukturou, stejně nebezpečné – nebo nebezpečnější – ale nové natolik, že žádná stávající databáze je neobsahuje.

Hra na schovávanou: nový analog každý den

Identifikace nelegálních látek v forenzních a toxikologických laboratořích funguje principiálně podobně jako rozpoznávání tváří: chemická „tvář" analyzovaného vzorku se porovnává s databází referenčních „tváří" čistých chemických sloučenin. Pokud shoda existuje, látka je identifikována. Pokud ne, analýza selhává.

Colin Ponce, výpočetní matematik z Lawrence Livermore National Laboratory (LLNL), to popsal lapidárně: když policie najde novou drogovou laboratoř, ta typicky produkuje dosud neviděné deriváty fentanylu. Nelze je jednoduše vyhledat v databázi. Nelze se zeptat výrobce, jak to udělal. A policie potřebuje výsledky rychle, protože zítra přijde další vzorek.

Výzkumy naznačují, že možných forem fentanylu existují potenciálně miliardy. Odborných databází katalogizuje přibližně 60 000 z nich – tedy méně než zlomek procenta toho, co lze teoreticky syntetizovat. David Wishart, biochemik z Univerzity Alberty, který na vývoji nové metody nepracoval, to shrnul jednou větou: je to hra na schovávanou, kde protivník vždy tvoří nové skrýše rychleji, než my dokážeme katalogizovat ty staré.

Miliarda virtuálních fentanylů jako referenční databáze

Nový přístup prezentovaný v Science News a publikovaný výzkumnými skupinami z LLNL a dalších institucí obrací logiku detekce: místo porovnávání se známými vzorky generuje virtuální databázi obsahující všechny chemicky smysluplné varianty fentanylu – i ty, které dosud nikdo nevyrobil.

Metoda pracuje takto: výzkumníci nejprve rozebrali přibližně 60 000 katalogizovaných fentanylů a fentanylům podobných molekul na chemické fragmenty. Tyto fragmenty pak algoritmicky rekombinovali do nových molekulárních struktur a eliminovali varianty, které jsou chemicky nesmyslné – například takové, které by pravděpodobně nebyly schopny proniknout přes hematoencefalickou bariéru a dosáhnout svého cílového receptoru v mozku. Výsledná digitální knihovna čítá přes miliardu analogů – nikoli jako fyzické vzorky v laboratoři, ale jako výpočetní předpovědi chemických podpisů.

Strojové učení jako detektor bez precedentu

Jádrem přístupu je strojové učení schopné předpovědět, jak by vypadal infračervený nebo hmotnostní spektrometrický podpis molekuly, aniž by tato molekula fyzicky existovala v referenční sbírce. Studie z Lawrence Livermore National Laboratory publikovaná v Analytical Methods v únoru 2026 pod vedením Ponceho a Carolyn Fisherové prokázala, že model strojového učení typu random forest dokáže v laboratorních podmínkách odlišit syntetické opioidy od jiných chemikálií s přesností přes 95 procent – a to bez potřeby referenčních dat pro konkrétní testovaný analog.

Paralelně tým pracující s platformou nazvanou Fentanyl-Hunter, publikovanou v Science Advances v září 2025, kombinoval strojové učení s vícevrstvou molekulární sítí pro identifikaci fentanylů a jejich transformačních produktů v biologických vzorcích. Platforma překonala předchozí analytické metody v rychlosti i pokrytí – a identifikovala 27 dosud neznámých metabolitů čtyř fentanylových sloučenin v enzymatickém systému a vzorcích lidské moči.

Slepý test: šest ze dvanácti identifikováno perfektně

Klíčovým ověřením nové metodologie Science News popisované byl slepý experiment. Výzkumníci připravili falešnou pilulku obsahující stopy 12 komerčně dostupných variant fentanylu spolu s chemicky podobnou, ale ne-opioidní návnadou a typickými příměsemi uličních tablet – kofein a podobné látky.

Po provedení spektrometrických měření předali výzkumníci surová data a vygenerovanou digitální knihovnu jinému analytickému chemikovi, který obsah pilulky neznal, s jedinou otázkou: „Máme podezření, že vzorek obsahuje fentanyl. Které analogy v něm jsou?" Výsledek byl přesvědčivý: slepý chemik identifikoval šest komponent pilulky perfektně, čtyři zúžil na malý počet kandidátů a dvě nezachytil – přičemž tyto dvě chyběly v signaturách použitých pro filtrování. Nepotřeboval přitom žádnou fyzickou referenční knihovnu čistých chemikálií.

Proč je to průlom a co ho limituje

Dosavadní detekce fentanylových analogů stojí na fyzické referenční knihovně: aby bylo možné látku identifikovat, musí laboratorní pracovník mít v zásobníku čistý vzorek dané sloučeniny. Jenže clandestinní laboratoře produkují nové varianty záměrně rychleji, než stihnou být tyto vzorky pořídit, certifikovány a distribuovány do forenzních laboratoří.

Přístup s virtuální miliardovou knihovnou tuto závislost odstraňuje: identifikace probíhá porovnáváním s výpočetně předpovězenou signaturou, nikoli s fyzickým standardem. Johns Hopkins Applied Physics Laboratory, který pracuje na paralelní metodologii, to formuloval jako hru stejnou hru jako výrobci drog – ale obráceně: trénovat algoritmus na datech o známých analogech a pak ho nechat předpovídat neznámé.

Limity existují. Metoda byla dosud testována v kontrolovaném laboratorním prostředí s přesně definovaným složením vzorků. Reálné pouliční vzorky jsou daleko komplexnější – obsahují desítky neznámých příměsí, nečistot a degradačních produktů, které mohou komplikovat identifikaci. Přesnost přes 95 procent v laboratorních podmínkách se nemusí přímo přenést do forenzní praxe.

Přesto jde o metodologický skok, který mění pravidla. Pokud budou výsledky potvrzeny v polních podmínkách, dostane forenzní toxikologie poprvé nástroj schopný jít před hrozbou, nikoli za ní.