Tekoälyn käyttö lääkekehityksessä on toistaiseksi vähäistä. Helsingin yliopistossa kehitetään uusia koneoppimis- ja tekoälymenetelmiä kehityksen nopeuttamiseksi. Hanke on yksi Suurista kulttuurihankkeistamme 2025–2027.
Lääkeainekemian dosentti Juri Timonen, mitä ongelmaa hankkeenne ratkoo?
– Uusien lääkkeiden kehittäminen ja valmistaminen vie paljon aikaa. Uutta lääkettä kehitettäessä etsitään aiemmin tuntemattomia aineita, joilla olisi haluttuja vaikutuksia tiettyyn sairauteen. Apuna on jo pitkään käytetty tietokoneavusteista lääkeainesuunnittelua, jolla mahdollisten aineiden määrää saadaan rajattua ja karsittua. Tästä huolimatta lupaavimmat lääkeaine-ehdokkaat täytyy aina valmistaa, eikä kaikkia lääkkeitä, jotka tietokoneen ruudulla näyttävät lupaavilta, ole kemian lakien rajoissa mahdollista tehdä.
– Projektimme pyrkii sekä nopeuttamaan yhdisteiden valmistamista että viemään lääkeainesuunnittelua suuntaan, jossa kehitettävät aineet ovat valmistettavissa ilman vuosien työtä.
Ratkaisette ongelmaa tekoälyllä – mitä tämä käytännössä tarkoittaa?
– Hankkeessa kehitetään uusia koneoppimis- ja tekoälymenetelmiä. Pyrimme yhdistämään perinteisiä laskennallisen lääkekehityksen menetelmiä ja moderneja tekoälymenetelmiä tavoilla, joilla niitä ei ole aiemmin yhdistetty.
– Tarkoituksemme on myös kouluttaa Suomeen uusia osaajia, joilla on laaja perusosaaminen niin lääkekehityksestä kuin uusien tekoälyteknologioiden kehittämisestä. Projekti luo pohjaa uudentyyppiselle lähestymistavalle suomalaiseen lääkeainesuunnitteluun.
Projekti luo pohjaa uudentyyppiselle lähestymistavalle suomalaiseen lääkeainesuunnitteluun.
Mitä hankkeessanne tapahtui vuonna 2025?
– Hanke käynnistyi syksyllä 2025, ja palkkasimme kaksi väitöskirjatyöntekijää käsittelemään hankkeessa tarvittavaa dataa. Iso osa datasta pitää erotella eli louhia alkuperäisestä laajemmasta datasta ja tämän jälkeen vielä muovata koneoppimiseen soveltuvaan muotoon.
– Vuoden 2025 aikana saimme myös ensimmäisiä lupaavia tuloksia siitä, miten tutkijoiden kirjoittamista kokeellisen lääkekehityksen koeraporteista voidaan tuottaa koneoppimiseen paremmin soveltuvaa ns. sekvenssidataa. Tämä on uusi lähestymistapa synteesikemian koneoppimisessa ja voi tuoda uusia mahdollisuuksia.
Olemme saaneet neuroverkkomallin oppimaan reaktioihin liittyviä parametreja ja ennustamaan, kuinka hyvin reaktiot onnistuvat.
Mitä seuraavaksi on luvassa?
– Olemme tänä vuonna saaneet neuroverkkomallin oppimaan reaktioihin liittyviä parametreja ja ennustamaan, kuinka hyvin reaktiot onnistuvat eli kuinka hyvin lääke tehoaa.
– Tämän mallin avulla voimme kehittää tekoälyä edelleen suuntaan, jossa tutkija voi pyytää mallilta ehdotusta siitä, miten haluttu reaktio saadaan aikaan käyttäen esimerkiksi vähemmän ympäristölle haitallisia liuottimia. Käyttämämme neuroverkkomalli perustuu laajaan akateemiseen synteettisen kemian dataan.
Mitä toivoisitte ihmisten tietävän hankkeestanne?
– Kemian, lääkekehityksen ja tekoälyn yhdistäminen saattaa äkkiseltään kuulostaa pelottavalta tai herättää huolia siitä, voiko tekoäly keksiä jotain vaarallista tai voivatko uudet tekoälyavusteisesti kehityt lääkkeet sisältää uusia haittoja. Tekoälyllä ja AI:lla tarkoitetaan arkikeskustelussa usein suuria kielimalleja ja niitä hyödyntäviä keskustelubotteja tai agenttisia tekoälyjä, jotka voivat vaikkapa hakea netistä tietoa tuotteista ja tilata niitä verkkokaupoista. Lääkekehitys, kuten monet muutkin tieteenalat, nojaa kuitenkin pääasiassa muunlaisiin koneoppiviin algoritmeihin.
– Toiminta on sikäli samankaltaista, että nekin etsivät datasta samankaltaisuuksia ja syy-seuraussuhteita ja laskevat näiden perusteella datasta oletuksia. Siinä missä kielimalleihin perustuvat tekoälytyökalut on tarkoitettu pääasiassa kielellisen viestintään, on kemian datalla opetettu malli tarkoitettu kuitenkin nimenomaan kemian ilmiöiden ennustamiseen.