Bunsen AI Co-Scientist: miten Schrödinger automatisoi uusien lääkkeiden etsintää

Kielimalli saa rinnalleen fysiikkamoottorin

Bunsenin keskeinen ero tavanomaisiin tutkimusavustajiin on se, että suuri kielimalli eli LLM ei jää yksin lukemaan tutkimuskirjallisuutta tai tuottamaan ehdotuksia. Se yhdistetään Schrödingerin fysiikkapohjaiseen molekyylimallinnukseen, johon kuuluvat muun muassa FEP+-menetelmä, molekyylien telakointi ja molekyylidynamiikan eli MD:n simulaatiot .

Kielimalli muuttaa tutkijan luonnollisella kielellä esittämän tavoitteen työvaiheiksi ja suunnittelee, miten ongelmaa kannattaa lähestyä. Fysiikkapohjaiset laskentamenetelmät puolestaan arvioivat molekyylien ominaisuuksia fysikaalisten periaatteiden perusteella. Kokonaisuus pyrkii yhdistämään tekoälyn päättelyn ja ensimmäisiin periaatteisiin nojaavan laskennan tavalla, joka voisi avata aiemmin vähän tutkittuja biologisia kohteita .

Käytännössä tutkija voi siis kuvata tutkimusongelman sanallisesti, kun taas Bunsen huolehtii osasta menetelmien valintaa, laskentaa ja tulosten perusteella tehtävistä seuraavista askelista. Tämä ei tarkoita, että tutkija katoaisi prosessista: lääkekehityksen tulokset vaativat edelleen asiantuntija-arviota ja kokeellista varmistamista.

Bunsenin nelivaiheinen toimintamalli

Bunsenin työnkulku rakentuu suljetun palautesilmukan ympärille:

1. Understand – ymmärrä: Järjestelmä tulkitsee tutkijan luonnollisella kielellä kuvaaman tieteellisen tavoitteen.
2. Strategize – suunnittele: Bunsen kehittää laskennallisen strategian ja valitsee ongelmaan sopivia fysiikkapohjaisia menetelmiä.
3. Execute – suorita: Järjestelmä ajaa molekyylien etsintään liittyvän työnkulun, kuten telakoinnin, vapaan energian häiriölaskennan tai ADME-ennusteet.
4. Iterate – iteroi: Bunsen analysoi tuloksia, tarkentaa lähestymistapaa ja jatkaa kierrosta uuden tiedon perusteella .

Tavoitteena on, että tutkija voi ohjata monivaiheistä laskennallista tutkimuskampanjaa tavallisella kielellä ilman, että jokainen tekninen työvaihe täytyy rakentaa käsin.

Miten Bunsen vertautuu kilpailijoihin?

Google DeepMindin Co-Scientist

Google DeepMindin Co-Scientist on Gemini 2.0 -malliin perustuva usean agentin järjestelmä, joka on suunniteltu tieteelliseen päättelyyn ja uusien hypoteesien tuottamiseen . Järjestelmässä erikoistuneet agentit, kuten Generation, Ranking ja Evolution, tuottavat, vertailevat ja kehittävät tutkimusideoita. Co-Scientistia koskeva tutkimus julkaistiin Nature-lehdessä toukokuussa 2026 .

Co-Scientist on esimerkiksi tuottanut uusia lääkkeiden uudelleenkäyttöön liittyviä hypoteeseja maksafibroosin hoidossa, ja joitakin ehdotuksia on testattu kokeellisesti . Sen painopiste on kuitenkin yleisessä biolääketieteellisessä hypoteesien muodostamisessa. Se ei sisällä Bunsenin tavoin natiivisti Schrödingerin fysiikkapohjaisia molekyylisimulaatioita, joten laskennallinen kemia vaatii muita työkaluja tai tutkijan erillisen työnkulun .

FutureHousen Robin

FutureHousen Robin on usean agentin järjestelmä, joka pyrkii automatisoimaan biologisen tutkimuksen koko ketjun: hypoteesien muodostamisen, kokeiden suunnittelun, aineiston analysoinnin ja uusien johtopäätösten tekemisen . Robinin toimintaa kuvaava tutkimus julkaistiin Nature-lehdessä toukokuussa 2026 .

Järjestelmä tunnisti esimerkiksi ripasudiilin – ennestään glaukooman hoidossa käytetyn lääkkeen – lupaavaksi ehdokkaaksi kuivaan ikärappeumaan eli dAMD:hen liittyvässä tutkimuksessa . Robinin taustalla toimii erikoistuneita agentteja, kuten kirjallisuuskysymyksiin vastaava Crow, syvällistä synteesiä tekevä Falcon, kysymyksiin vastaava Owl ja koodia sekä analyysiä käsittelevä Phoenix .

Bunseniin verrattuna Robinin painopiste on kokeellisessa biologiassa ja lääkkeiden uudelleenkäytössä, ei fysiikkapohjaisessa laskennallisessa kemiassa. Robinilla ei ole integroitua Schrödingerin kaltaista molekyylisimulaatiomoottoria .

Muita alan toimijoita

Taloudellinen tausta: kasvu jatkuu, mutta tuloslaskelma muuttuu

Schrödinger raportoi vuoden 2026 ensimmäisen neljänneksen tuloksensa 5. toukokuuta. Keskeinen mittari oli vuosittainen sopimusarvo eli ACV (Annual Contract Value), joka nousi 28,4 miljoonaan dollariin ja kasvoi 12 prosenttia vuodentakaisesta. Viimeisten neljän neljänneksen yhteenlaskettu ACV oli 201 miljoonaa dollaria. Kasvua vauhdittivat suurten lääketeollisuusasiakkaiden käytön lisääntyminen ja uudet tuotteet .

Muut keskeiset luvut olivat:

• Liikevaihto: 58,6 miljoonaa dollaria, 2 prosenttia vähemmän kuin vuotta aiemmin .
• Ohjelmistoliikevaihto: 35,6 miljoonaa dollaria, 21 prosenttia vähemmän vuodentakaisesta .
• Lääkekehitysliikevaihto: noin 23 miljoonaa dollaria, 124 prosenttia enemmän kuin vuotta aiemmin .
• Isännöityjen ohjelmistojen osuus: 34 prosenttia ohjelmistoliikevaihdosta, kun osuus oli vuotta aiemmin 24 prosenttia .
• Vuoden 2026 ohjeistus: ohjelmistojen ACV:n odotetaan olevan 218–228 miljoonaa dollaria ja lääkekehitysliikevaihdon 55–65 miljoonaa dollaria .

Schrödinger siirtää asiakkaita omille palvelimille asennettavista ohjelmistoista isännöityihin eli pilvipohjaisiin SaaS-sopimuksiin. Tämä muuttaa liikevaihdon kirjaamisen ajoitusta: sopimuksen arvo kirjautuu tyypillisesti pidemmälle ajalle sen sijaan, että se näkyisi kokonaan lisenssin myyntihetkellä. Siksi siirtymä voi heikentää lyhyen aikavälin raportoitua liikevaihtoa, vaikka ACV ja kassavirta eivät johdon mukaan muuttuisi samalla tavalla .

Yhtiön mukaan jokainen yhden prosenttiyksikön kasvu isännöityjen palvelujen osuudessa voi vaikuttaa raportoitavaan liikevaihtoon noin 2–3 miljoonaa dollaria tilinpäätösstandardin ASC 606 mukaisen tuloutuksen ajoituksen vuoksi . Schrödinger tavoittelee noin 75 prosentin isännöityä osuutta vuoteen 2028 mennessä .

Entä yhtiön käteisvarat?

Saatavilla olevissa tulosyhteenvedoissa ei ilmoitettu tarkkaa vuoden 2026 ensimmäisen neljänneksen käteisvarojen, rahavarojen ja markkinakelpoisten arvopapereiden määrää. Siksi yksityiskohtaista käteispositiota ei voi vahvistaa näiden lähteiden perusteella.

Lähteissä yhtiön tasetta kuvataan vahvaksi, ja johdon mukaan pilvipohjaisiin sopimuksiin siirtyminen ei edellytä lisäpääomaa . Täsmällinen luku pitäisi kuitenkin tarkistaa Schrödingerin Yhdysvalloissa jättämästä 10-Q-osavuosiraportista. Tämä on olennainen ero sen välillä, mitä yhtiön taloudellisesta asemasta voidaan päätellä yleisellä tasolla ja mitä voidaan todentaa tarkkana dollarimääränä.

Miksi Bunsen on merkittävä?

Bunsen ei ole vain uusi keskustelubotti lääkekehityksen rinnalle. Schrödinger yrittää yhdistää luonnollisen kielen käyttöliittymän, autonomisen työnkulun ja fysiikkapohjaisen molekyylimallinnuksen samaan järjestelmään. Jos lähestymistapa toimii suunnitellusti, tutkijat voivat tutkia useampia molekyylivaihtoehtoja, priorisoida lupaavimpia ehdokkaita ja käyttää asiantuntemustaan laajempiin laskennallisiin kampanjoihin .

Toistaiseksi kyse on kuitenkin varhaisen käytön versiosta. Täyden kaupallisen julkaisun aikataulu, todellinen suorituskyky eri lääkekehitystehtävissä ja se, kuinka paljon järjestelmä vähentää tutkijoiden manuaalista työtä, selviävät vasta asiakaskäytön ja kokeellisen validoinnin myötä.