Jäsenet estradilla: Rayca Precision Oy
Lääkekehityksen yhteistä muistia rakentamassa
Tekoäly kehittyy vauhdilla. Uudet laskennalliset molekyylimallit pystyvät ennustamaan proteiinien rakenteita, tuottamaan uusia biomolekyylejä ja auttamaan tutkijoita selvittämään biologisia mekanismeja tavoilla, joita olisi ollut vaikea kuvitella vielä muutama vuosi sitten. Silti uuden lääkkeen kehittäminen on edelleen pitkä, kallis ja epäonnistumisille altis prosessi.
Rayca Precisionille tämä näennäinen ristiriita kertoo yhdestä lääketeollisuuden tutkimus- ja kehitystyön perustavanlaatuisesta haasteesta: entistä paremmat tekoälymallit eivät enää yksin riitä. Vuosien tutkimustyössä syntynyt tieto, myös se, mikä ei ole toiminut, pitäisi pystyä yhdistämään, säilyttämään ja hyödyntämään tulevien päätösten tukena.
Juuri tässä Rayca Precision näkee mahdollisuuden ajatella laskennallista lääkekehitystä uudella tavalla.
”Lääkekehitys tarvitsee muistin siitä, mikä on epäonnistunut ja miksi. Juuri tällaista muistia me rakennamme”, kertoo Rayca Precisionin perustajajäsen ja toimitusjohtaja Pouya Behrouzi.
Epäonnistumisesta arvokasta tietoa
Lääkekehityksessä syntyy valtavia määriä tietoa. Tutkijat oppivat jatkuvasti uutta biologisista kohteista, molekyylirakenteista, turvallisuudesta, kehitettävyydestä, valmistettavuudesta, lääkeaineiden kuljettamisesta elimistössä ja lukemattomista muista tekijöistä, jotka vaikuttavat siihen, voiko lupaavasta molekyylistä lopulta tulla lääke. Samalla opitaan myös epäonnistumisista.
Lääkekandidaatti saattaa menestyä hyvin tutkimuksen alkuvaiheessa, mutta kohdata ongelmia myöhemmin kehitysprosessissa. Molekyylin rakenteelliset ominaisuudet voivat esimerkiksi vaikeuttaa sen valmistamista tai formulointia, tai biologinen hypoteesi voi lopulta osoittautua toimimattomaksi.
Behrouzin mukaan ongelma ei ole niinkään siinä, että epäonnistumisia tapahtuu. Olennaisempaa on, mitä niistä saadulle tiedolle tapahtuu.
Suurissa tutkimus- ja kehitysorganisaatioissa tieto voi hajautua eri hankkeisiin, tiimeihin, osastoihin ja laskennallisiin järjestelmiin. Raycan visiona on muuttaa nämä vuosien varrella kertyneet opit sellaiseksi organisaation yhteiseksi molekyylitason tietämykseksi, jota yritys kutsuu nimellä institutional molecular intelligence. Tieto voisi näin ohjata uusien molekyylien suunnittelua vielä pitkään yksittäisen tutkimusohjelman päättymisen jälkeen.
”Epäonnistuneista lääkekandidaateista syntyy valtavasti arvokasta molekyylitason dataa. Epäonnistumisten taustalla olevat mekanismit voidaan muuttaa molekyylitason ymmärrykseksi ja suunnitteluperiaatteiksi, joiden avulla seuraavia lääkemolekyylejä voidaan kehittää välttämään jo aiemmin tunnistettuja ongelmia.”
Sen sijaan, että jokainen uusi tutkimusohjelma aloitettaisiin aina alusta, voitaisiin aiempien onnistumisten ja epäonnistumisten kautta kertynyttä tietoa hyödyntää tulevassa kehitystyössä. Toisin sanoen tutkimusohjelmat voivat päättyä, mutta niiden synnyttämän tiedon ei tarvitse kadota.

Kuvassa Rayca Precisionin perustajajäsen ja toimitusjohtaja Pouya Behrouzi.
Enemmän kuin jälleen yksi uusi tekoälymalli
Tämä ero on olennainen, sillä Raycan tavoitteena ei ole kilpailla kehittämällä jälleen yhtä itsenäistä tekoälymallia molekyylien suunnitteluun.
Sen sijaan yritys rakentaa lääketeollisuuden tutkimus- ja kehitystyöhön molekyylitason älykkyyttä. Toisin sanoen alustaa, joka yhdistää tekoälymallit, fysiikkapohjaiset simulaatiot, kokeellisen tutkimuksen sekä organisaation oman kertyneen datan ja tietämyksen.
Nykyaikaisessa lääkekehityksessä on jo käytettävissä jatkuvasti laajeneva valikoima erikoistuneita laskennallisia työkaluja. Osa niistä ennustaa proteiinien rakenteita tai molekyylien käyttäytymistä, kun taas toiset tuottavat mahdollisia pienmolekyylejä, peptidejä, vasta-aineita, nanovasta-aineita, inhibiittoreita tai kohdeproteiinien hajottamiseen tarkoitettuja molekyylejä.
Raycan alusta kokoaa yhteen satoja tällaisia malleja ja simulaatiotyökaluja käyttövalmiiksi kokonaisuudeksi ja yhdistää ne organisaatiossa jo olemassa olevaan tieteelliseen tietoon ja tutkimuskontekstiin.
”Emme pyri menestymään rakentamalla yhtä uutta mallia muiden joukkoon. Me rakennamme molekyylitason älykkyyttä, joka yhdistää mallit, simulaatiot, kokeellisen tutkimuksen ja yrityksen oman tutkimusnäytön. Näin jokainen tutkimusohjelma voi oppia aiemmista ohjelmista”, Behrouzi jatkaa.
Alusta otetaan käyttöön lääkeyrityksen omassa suojatussa tutkimusympäristössä. Näin yrityksen oma tutkimusaineisto, mallit ja tutkimusohjelmissa kertynyt tieto pysyvät sen hallinnassa sen sijaan, että niitä siirrettäisiin organisaation ulkopuolelle. Lääkeyrityksille tämä on erityisen tärkeää, sillä tutkimusdata liittyy kiinteästi immateriaalioikeuksiin.
Rayca kuvaa alustaansa älykkääksi kokonaisuudeksi, joka yhdistää laskennalliset menetelmät, tutkimustiimit ja eri lääkekehitysohjelmissa kertyneen tiedon. Juuri biologisten tekoälymallien tuottamien tulosten yhdistäminen jatkuvasti kehittyvään molekyylitason älykkyyteen ja muistijärjestelmään erottaa Raycan lähestymistavan muista.
Kohti parempaa molekyyliä
Miltä tämä kaikki sitten näyttää käytännössä? Lääkekehitysohjelma voi alkaa hypoteesista. Tutkijat ovat tunnistaneet sairauteen liittyvän proteiinin tai biologisen reitin ja haluavat selvittää, voisiko siihen vaikuttaa lääkkeellisesti. Ensimmäinen askel on ymmärtää kohteen biologiaa, rakennetta ja käyttäytymistä.
Tutkijoilla saattaa jo olla käytettävissään kokeellisesti tuotettua rakennetietoa. Jos sitä ei ole, laskennalliset mallit voivat auttaa ennustamaan proteiinin rakennetta. Fysiikkapohjaisten simulaatioiden avulla voidaan puolestaan tutkia, miten proteiini liikkuu ja muuttaa muotoaan ajan kuluessa. Näin voidaan mahdollisesti tunnistaa lääkkeellisen vaikuttamisen mahdollisuuksia, joita olisi muuten vaikea havaita.
Tämän jälkeen erilaiset laskennalliset mallit voivat tuottaa ehdotuksia mahdollisiksi lääkemolekyyleiksi. Näitä voivat olla esimerkiksi pienmolekyylit, peptidit, vasta-aineet, nanovasta-aineet, inhibiittorit ja kohdeproteiinien hajottamiseen tarkoitetut molekyylit.
Prosessissa ei kuitenkaan pysähdytä vain kysymykseen siitä, pystyykö molekyyli sitoutumaan haluttuun kohteeseen. Samalla voidaan arvioida myös myöhemmässä kehitysvaiheessa merkittäviksi nousevia riskejä, kuten toksisuutta, immunogeenisuutta, stabiilisuutta, formulointia, lääkeaineen kulkeutumista elimistössä ja valmistettavuutta. Juuri tällaiset lääkekandidaatin kehitettävyyteen liittyvät ongelmat johtavat usein tutkimusohjelmien keskeytymiseen vasta pitkälle edenneessä vaiheessa.
Tavoitteena on tunnistaa ainakin osa näistä mahdollisista ongelmista ennen kuin laboratoriokokeisiin ja myöhempiin kehitysvaiheisiin on investoitu merkittävästi aikaa ja resursseja. Laskennallinen ennustaminen on kuitenkin vain osa prosessia.
Laboratoriotulokset palautetaan osaksi suunnittelukiertoa, jolloin kokeellisesta tutkimuksesta saatu tieto ohjaa seuraavaa laskennallista vaihetta. Rayca kutsuu tätä lab-in-the-loop -lähestymistavaksi: suunnittele, testaa, opi ja suunnittele uudelleen. Näin laskennallisen mallinnuksen ja kokeellisen tutkimuksen välille syntyy jatkuva oppimisen kehä.
Tekoäly voi automatisoida työtä, mutta tutkija pysyy ohjaimissa
Tekoälyn kyvykkyyden kasvaessa herää väistämättä kysymys, mikä on ihmistutkijan rooli tulevaisuudessa? Raycalle automaatio ei tarkoita tieteellisen päätöksenteon siirtämistä tekoälylle.
Tekoälyagentit pystyvät jo automatisoimaan monia laskennallisia tehtäviä. Behrouzi nostaa esimerkiksi monimutkaisten molekyylidynamiikkasimulaatioiden valmistelun. Esimerkiksi monimutkaisten molekyylidynamiikkasimulaatioiden valmistelu on aiemmin saattanut vaatia viikkojen manuaalista työtä ja yrityksen ja erehdyksen kautta etenemistä. Erikoistuneet tekoälyagentit voivat nyt nopeuttaa tätä työtä hyödyntämällä grafiikkasuorittimia ja suurteholaskennan infrastruktuuria.
Automaation lisääntyminen avaa kuitenkin samalla valtavan määrän uusia mahdollisia tutkimussuuntia. Siksi tieteellinen harkinta on entistä tärkeämpää.
”Ihmistutkijan tehtävänä on edelleen päättää, mitä kannattaa tutkia ja mihin suuntaan tekoälyagentteja ohjataan”, Behrouzi sanoo.
Raycan lähestymistavassa tutkijat pidetäänkin mukana prosessissa erilaisten päätöksentekopisteiden avulla. Tekoälyagentit voivat tehdä analyysejä, rakentaa työnkulkuja ja esitellä tuloksia, mutta tutkijat voivat arvioida käytettyjä menetelmiä ja tutkimusnäyttöä ennen kuin päättävät prosessin jatkamisesta.
Tämä liittyy myös toiseen tekoälyn käyttöä tieteessä koskevaan haasteeseen: luottamukseen. Osa tutkijoista suhtautuu ymmärrettävästi varauksella tekoälyn tuottamiin molekyylisuunnitelmiin, jos he eivät pysty näkemään, miksi juuri tiettyä rakennetta on ehdotettu. Behrouzi uskoo, että siirtyminen niin sanotuista mustan laatikon järjestelmistä kohti läpinäkyvää ja jäljitettävää päättelyä on siksi välttämätöntä.
Tutkijoiden on pystyttävä jäljittämään, mistä molekyylisuunnitelma on saanut alkunsa, millainen tutkimusnäyttö sitä tukee, millä menetelmillä se on tuotettu, mitä muutoksia siihen on tehty ja millainen päättely on johtanut lopputulokseen. Tavoitteena ei siis ole korvata tieteellistä asiantuntemusta, vaan tarjota tutkijoille entistä tehokkaampia tapoja hyödyntää sitä.
Ratkaisuja haasteisiin, joihin perinteiset menetelmät eivät riitä
Rayca näkee erityistä potentiaalia tilanteissa, joissa perinteiset lääkekehityksen menetelmät kohtaavat vaikeuksia. Kyse voi olla esimerkiksi haastavasta biologisesta kohteesta, pysähtyneestä lääkekehitysohjelmasta tai tutkimuksesta, jossa on ilmennyt ongelmia prekliinisessä tai kliinisessä kehitysvaiheessa.
Sen sijaan, että näissä tilanteissa syntynyttä tietoa pidettäisiin vain osoituksena epäonnistumisesta, Rayca haluaa auttaa lääkekehittäjiä kysymään toisin: mitä kaikki tähän mennessä oppimamme voi kertoa siitä, miten meidän kannattaisi edetä? Yrityksen omat lääkekehitysyhteistyöt havainnollistavat myös sitä, miten laskennallinen ja kokeellinen asiantuntemus voivat täydentää toisiaan.
Raycalla ei ole omaa kokeellisen tutkimuksen laboratoriota. Sen sijaan kumppanilaboratoriot kytketään suoraan osaksi suunnitteluprosessia, ja Rayca kehittää lääkekehitysohjelmia yhdessä sellaisten organisaatioiden kanssa, joilla on osaamista lääkekemiasta, proteiinitekniikasta, biologisesta testauksesta ja translationaalisesta tutkimuksesta.
Yhdessä ihmisen papilloomaviruksen (HPV) aiheuttamiin syöpiin keskittyvässä yhteistyöhankkeessa Rayca työskentelee esimerkiksi University of Arkansas for Medical Sciences -yliopiston ja University of New Mexicon kanssa. Kumppanit tuovat hankkeeseen toisiaan täydentävää osaamista tekoälypohjaisesta molekyylisuunnittelusta ja fysiikkapohjaisista simulaatioista aina lääkekemiaan ja sairauden kannalta olennaiseen biologiseen testaukseen.
Rayca on myös hiljattain julkistanut strategisen kumppanuuden hollantilaisen TechBio-yrityksen QurieGenin kanssa. Yhteistyössä yhdistetään QurieGenin ajallisia muutoksia tarkasteleva yksisolutason multiomiikka Raycan molekyylisuunnitteluun. Näin biologinen tieto ohjaa molekyylien suunnittelua, ja solutason testauksella voidaan selvittää, tuottaako molekyyli halutun vaikutuksen.
Data Powered Therapeutics -yrityksen kanssa Rayca puolestaan yhdistää laskennallisen suunnittelun automatisoituun, suuren kapasiteetin proteiinien karakterisointiin nanovasta-aineisiin perustuvien lääkkeiden yhteiskehittämiseksi.
Raycalle onnistunut yhteistyö tarkoittaa juuri tätä. Yhdistetään sellaista osaamista ja kyvykkyyksiä, joita yhdelläkään organisaatiolla ei välttämättä tarvitse olla yksin.

Rayca Precisionin alusta yhdistää molekyylitason tietämyksen, tekoälymallit, laskennalliset simulaatiot ja kokeellisen tutkimuksen yhtenäiseksi lääkekehityksen prosessiksi.
Suomi tarjoaa innovaatioita, huippuosaamista ja avoimuutta yhteistyölle
Vaikka Rayca toimii kansainvälisesti, Suomella on tärkeä rooli yrityksen kehityksessä. Behrouzi kuvailee Suomen lääketeollisuuden tutkimus- ja kehitysmarkkinaa suhteellisen pieneksi, mutta innovaatiotoiminnan tasoa poikkeuksellisen korkeaksi. Hän nostaa erityisesti esille Kuopiosta löytyvän osaamisen.
”Kuopiossa tehtävä tutkimus on erinomaista. Tietokoneavusteisen lääkekehityksen osaaminen on aivan tieteen eturintamassa.”
Suomi tarjoaa Raycalle toimintaympäristön, jossa yritys voi selvittää, miten sen alusta voitaisiin integroida sekä akateemisen tutkimuksen että teollisuuden tutkimusprosesseihin. Behrouzi arvostaa myös toista suomalaiseen toimintaympäristöön liittyvää piirrettä: avoimuutta.
”Täällä ihmisten kanssa on todella helppo keskustella. He suhtautuvat avoimesti yhteistyöhön ja auttavat mielellään luomaan yhteyksiä muihin ekosysteemin ja teollisuuden toimijoihin.”
Kuopio Healthin verkoston ja laajemman suomalaisen biotieteiden ekosysteemin kautta Rayca on erityisen kiinnostunut verkostoitumaan laskennallisen tutkimuksen ja koneoppimisen asiantuntijatiimien, lääkeyritysten, haastavien molekyylitason tutkimusohjelmien parissa työskentelevien bioteknologiayritysten, translationaalisen tutkimuksen asiantuntijoiden sekä varhaisen vaiheen lääkekehitysyritysten kanssa. Viimeksi mainitut ovat yritykselle erityisen kiinnostavia kumppaneita.
Varhaisen vaiheen yrityksellä saattaa olla syvällistä biologista osaamista ja vahvaa tutkimusnäyttöä lupaavasta lääkekehityksen kohteesta, mutta vain rajallisesti laskennallisen lääkesuunnittelun osaamista.
Laskennallisen mallinnuksen tuominen mukaan jo tutkimusohjelman alkuvaiheessa voisi auttaa tunnistamaan riskejä ennen kuin niistä muodostuu huomattavasti kalliimpia ongelmia kehityksen myöhemmissä vaiheissa.
Raycalle juuri tällaiset kohtaamiset voivat johtaa merkityksellisiin kumppanuuksiin. Yhteistyö alkaa tyypillisesti yhdestä haastavasta molekyylitason tutkimusohjelmasta, jossa Rayca auttaa selvittämään, mitä olemassa oleva tutkimusnäyttö kertoo seuraavan päätöksen tueksi.
Kohti lääkekehitystä ohjaavaa älykästä tietojärjestelmää
Mihin tämä kaikki sitten voisi tulevaisuudessa johtaa? Behrouzin tavoitteena on, että seuraavan viiden vuoden aikana Raycasta tulisi yksi vakiintuneista lähestymistavoista, joita pienet, keskisuuret ja lopulta myös suuret lääkeyritykset hyödyntävät lääkekehitysportfolioidensa rakentamisessa. Pitkän aikavälin visio ulottuu kuitenkin yksittäisten laskennallisten tehtävien automatisointia pidemmälle.
Rayca haluaa purkaa osastojen, laskennallisten työkalujen ja tutkimusohjelmien välisiä siiloja ja muuttaa hajallaan olevan tiedon organisaation yhteiseksi molekyylitason tietämykseksi, joka karttuu ja kehittyy ajan myötä. Tulevaisuudessa tämä voisi mahdollistaa tiedon liikkumisen paitsi eri projektien ja osastojen välillä myös yhteistyötä tekevien organisaatioiden kesken silloin, kun ne haluavat jakaa tietoa toisilleen.
Behrouzin mukaan erityisen kiinnostavaa on se, että kehitystä tapahtuu samanaikaisesti monella eri osa-alueella. Tekoälyn päättelymallit pystyvät ratkaisemaan yhä monimutkaisempia ongelmia ja koordinoimaan erikoistuneiden tekoälyagenttien toimintaa. Samalla proteiinien ja kemiallisten yhdisteiden suunnitteluun tarkoitetut mallit kehittyvät jatkuvasti, ja kasvava laskentateho mahdollistaa entistä vaativammat simulaatiot.
Raycan keskeinen ajatus on kuitenkin se, ettei tekoälypohjaisen lääkekehityksen tulevaisuus välttämättä riipu vain yhä tehokkaampien mallien rakentamisesta. Yhtä tärkeää voi olla varmistaa, että tänään opitut asiat ovat edelleen niiden tutkijoiden käytettävissä, jotka suunnittelevat huomisen lääkkeitä.