Laajin tähän mennessä tehty sokkoutettu ja ennakoiva vasta-ainesuunnittelun vertailu antaa tekoälylle kaksijakoisen tuomion. Tekoäly pystyy tuottamaan laboratoriossa toimiviksi osoitettuja, erittäin voimakkaasti sitoutuvia vasta-aineita, mutta mikään yksittäinen menetelmä ei menestynyt tasaisesti kaikissa suunnittelutehtävissä.\n\nSelkein onnistuja oli Aureka Biotechnologies. Sen mallin suunnittelema SARS-CoV-2:n reseptoria sitovan alueen vasta-aine saavutti 94,7 pikomolaarin (pM) affiniteetin. Mitä pienempi luku on, sitä tiukemmin vasta-aine sitoutuu kohteeseensa. Tulos oli noin 2 000 kertaa alkuperäistä vasta-ainetta parempi ja tilastollisesti samalla tasolla kuin perinteisellä kypsytysmenetelmällä tuotettu paras klooni. 16\n\n## Mitä AIntibody-haasteessa testattiin?\n\nCASP-tyylinen AIntibody Challenge suunniteltiin erottamaan mallien ennusteet todellisesta kokeellisesta suorituskyvystä. Yhteensä 29 organisaatiota toimitti 511 vasta-ainese kvenssiä, jotka testattiin riippumattomasti ja yhdenmukaisissa laboratorio-olosuhteissa. Osallistujat eivät siis arvioineet omia tuloksiaan. 12\n\nVertailu keskittyi SARS-CoV-2:n piikkiproteiinin reseptoria sitovaan alueeseen ja sisälsi kolme vasta-aineiden löytämiseen liittyvää tehtävää:\n\n1. Affiniteetin laskennallinen kypsytys: annetun alkuperäisen vasta-aineen parantaminen.\n2. Affiniteetin järjestäminen: vahvimpien sitojien tunnistaminen kolmesta rajatusta HCDR3-sekvenssiryhmästä. HCDR3 on vasta-aineen sitoutumiseen keskeisesti vaikuttava alue.\n3. Kirjaston ulkopuolinen suunnittelu: sellaisten CDR-sekvenssien luominen tai optimointi, jotka eivät kuuluneet annettuihin kokeellisiin kirjastoihin. 1\n\nSitoutumista mitattiin pintaplasmoniresonanssilla ja erillisellä KinExA-testillä. Lisäksi vasta-aineille tehtiin viiden kokeen kehityskelpoisuuspaneeli, jolla pyrittiin tunnistamaan ominaisuuksia, jotka voivat tehdä muuten tehokkaasta vasta-aineesta hankalan lääkekehityksessä. Näin ehdokkaita arvioitiin mallien pistemäärien sijaan niiden todellisen laboratoriokäyttäytymisen perusteella. 1\n\n## Aurekan 94,7 pM:n tulos\n\nAurekan vahvin suoritus nähtiin affiniteetin kypsytyksessä. Tutkimuksessa voittajavasta-aineen nimi on AuraBind, ja se yhdistetään Aurekan AuraIDE-alustaan. Sen mitattu affiniteetti oli 94,7 pM – noin 2 000 kertaa alkuperäistä vasta-ainetta parempi. 146\n\nVertailukohta perinteiseen laboratoriotyöhön on olennainen. Paras kokeellisesti kypsytetty klooni syntyi noin kolme kuukautta kestäneen faagikypsytyksen jälkeen, ja sen affiniteetti oli 113 pM. Aurekan luku oli pienempi, mutta kahden parhaan vasta-aineen välinen ero ei ollut tilastollisesti ratkaiseva. Reiluin tulkinta on, että tekoälysuunnitelma ylsi tässä kokeessa parhaan kokeellisen tuloksen tasolle – ei se, että se olisi kiistatta päihittänyt perinteisen menetelmän. 16\n\nKyse ei myöskään ollut vain yhdestä näyttävästä sekvenssistä. Aureka tuotti kuusi vasta-ainetta, joiden affiniteetti oli alle 10 nM ja jotka läpäisivät myös haasteen kehityskelpoisuuskriteerit. Sen ehdokkaat sijoittuivat affiniteetin kypsytyksessä ensimmäiseksi, toiseksi ja viidenneksi. 1\n\n## Mikä voittajasekvenssissä oli erityistä?\n\nVoittajavasta-aine ei ollut yksinkertaisesti olemassa olevan, kokeellisesti valitun kloonin kopio. Tutkimuksen mukaan se yhdisteli toimitetusta valintadatasta pääteltyjä substituutioita ja mutaatiomalleja. Rakenteeseen perustuva affiniteettimalli valitsi suunnitelman 10 000 tuotetun ehdokkaan joukosta. 1\n\nAuraIDE yhdisti rakenteellisen mallinnuksen ja preferenssidatalla koulutetun soveltuvuuden ennustajan. Sen sijaan, että malli olisi yrittänyt ennustaa jokaiselle sekvenssille suoraan täsmällistä sitoutumisvakiota, se oppi kokeellisesta rikastumisesta suhteellisen järjestyksen. Tämä sopii paremmin käytännön tilanteeseen, jossa ehdokkaita pitää asettaa paremmuusjärjestykseen jatkotestejä varten. 1\n\nTällä erolla on merkitystä vasta-aineiden löytämisessä. Hyödyllisen järjestelmän ei tarvitse välttämättä tietää jokaisen sekvenssin lopullista affiniteettia tarkasti. Sen on ennen kaikkea parannettava todennäköisyyttä, että hallittavan kokoinen ehdokasjoukko sisältää vahvoja ja käyttökelpoisia sitojia.\n\n## Aureka voitti yhden tehtävän – ei koko vertailua\n\nAureka oli selvä ykkönen ensimmäisessä haasteessa, mutta sen tulos ei tarkoittanut ylivoimaa kaikissa kolmessa tehtävässä. Ryhmittelytehtävässä johtava joukkue vaihteli ryhmän mukaan: UCSD/Scripps voitti 27F-ryhmässä, WashU/Xencor 28F-ryhmässä ja WashU 47F-ryhmässä. Xencor voitti kirjaston ulkopuolisen suunnittelun tehtävän. 1\n\nTutkimuksen tehtävien välinen analyysi osoitti lisäksi, että jokaisella tuloksensa julkistaneella ryhmällä oli ainakin yksi haaste, jossa sen paras tulos jäi selvästi kärkisuorituksista. 1\n\nTämä on vertailun tärkein viesti: tekoälypohjainen vasta-ainesuunnittelu ei ole yksi yhtenäinen kyvykkyys. Järjestelmä, joka osaa parantaa tunnettua vasta-ainetta runsaan kohdekohtaisen datan avulla, voi olla paljon epäluotettavampi, kun sen pitää järjestää samankaltaisia sekvenssejä tai suunnitella kokonaan annetun kirjaston ulkopuolelta.\n\n## Mitä tulos merkitsee laboratorioille?\n\nKäytännön hyöty näyttää tällä hetkellä suurimmalta johtoehdokkaiden optimoinnissa, ei laboratorion poistamisessa. Hyvä malli voi suotuisissa oloissa vähentää vasta-ainekirjastojen rakentamisen, esittelyvalinnan, kloonien ilmentämisen ja seulonnan toistuvia kierroksia. Ensimmäisessä haasteessa noin 13 prosenttia ehdotuksista paransi affiniteettia vähintään 20-kertaisesti alkuperäiseen vasta-aineeseen verrattuna, vaikka osallistujien tulokset vaihtelivat paljon. 1\n\nVertailu tukee siis laboratorio ihmisen mukana -työskentelytapaa:\n\n- käytetään kokeellista valinta- ja sekvensointidataa uusien ehdokkaiden tuottamiseen;\n- hyödynnetään malleja pienemmän ja mahdollisesti monipuolisemman sekvenssijoukon priorisointiin;\n- tuotetaan ja testataan sekvenssit sokkoutetuissa ja yhdenmukaisissa kokeissa;\n- arvioidaan sekä sitoutumisvoimaa että kehityskelpoisuutta ennen ehdokkaiden viemistä eteenpäin.\n\nViimeinen vaihe on välttämätön. Osa erittäin voimakkaasti sitoutuvista suunnitelmista epäonnistui yhdessä tai useammassa kehityskelpoisuustestissä, erityisesti monireaktiivisuuteen liittyvissä kokeissa. 94,7 pM:n tulos on vaikuttava, mutta pelkkä sitoutumisvoima ei tee vasta-aineesta sopivaa lääkekandidaattia. 1\n\n## Suurin rajoitus on yleistettävyys\n\nTutkimus oli vaativa ennakoiva testi, mutta tekoälylle myös suhteellisen suotuisa ympäristö. Siinä käytettiin yhtä hyvin tunnettua antigeenia, laajaa syväsekvensointi- ja affiniteettidataa sekä toisessa ja kolmannessa tehtävässä tietoja, joita ei todellisessa löytövaiheen tutkimuksessa välttämättä olisi vielä saatavilla. 1\n\nTulokset heijastavat tätä rajoitusta. Ryhmitellyissä HCDR3-aineistoissa kaikki yhtä mallia lukuun ottamatta ennustivat korkean affiniteetin klooneja heikosti tai satunnaisvalintaa huonommin. Myös kirjaston ulkopuolisen suunnittelun tulokset vaihtelivat suuresti. 12\n\nVertailu ei siis osoita, että tekoäly tuottaisi yhtä vahvoja tuloksia tuntemattomia antigeeneja, niukkoja aineistoja tai erilaisia vasta-ainemuotoja käytettäessä. Se ei myöskään kata kaikkia terapeuttisessa kehityksessä vaadittavia ominaisuuksia. Sen sijaan se osoittaa, että jotkin järjestelmät voivat toimia erittäin hyvin tarkasti määritellyissä ja biologisesti hyvin perustelluissa tilanteissa.\n\n## Mitä tämä merkitsee Aureka-yhtiölle?\n\nAurekalle vertailu tarjoaa poikkeuksellisen arvokasta ulkopuolista näyttöä, koska sen alusta yhdistyi riippumattomasti testattuun kokeelliseen tulokseen eikä vain yhtiön omaan mallipistemäärään. Yhtiö sai elokuussa 2026 päätökseen 100 miljoonan dollarin B-sarjan rahoituskierroksen, joka nosti ilmoitetun kokonaisrahoituksen lähes 200 miljoonaan dollariin. Granite Asia rahoitti ensimmäisen osuuden, ja myöhempää osuutta johti strateginen sijoittaja. 1821\n\nAureka on lisäksi kertonut liiketoiminnan kehittämiseen ja niin sanottuihin NewCo-yhteistyömalleihin liittyvistä hankkeista useiden monikansallisten lääkeyhtiöiden kanssa. 4 Uusi rahoitus ja kumppanuudet antavat yhtiölle resursseja sekä mahdollisia reittejä viedä mallien suunnittelemia vasta-aineita lääkeohjelmiin. 418\n\nVertailu ei kuitenkaan ole kliininen validointi. Se ei todista, että Aurekan alusta tuottaisi menestyviä lääkkeitä tai olisi yleisesti parempi kuin kokeelliset vasta-aineiden löytämismenetelmät. Näyttö tukee rajatumpaa mutta hyödyllisempää johtopäätöstä: Aurekan tekoälyavusteinen työnkulku voi tuottaa erittäin voimakkaita ja kehityskelpoisia vasta-ainekandidaatteja ainakin yhdessä tarkasti määritellyssä optimointitehtävässä. Alan on silti testattava menetelmiä laajemmin, eri kohteilla ja erilaisissa löytötilanteissa.

Laajin tähän mennessä tehty sokkoutettu ja ennakoiva vasta-ainesuunnittelun vertailu antaa tekoälylle kaksijakoisen tuomion. Tekoäly pystyy tuottamaan laboratoriossa toimiviksi osoitettuja, erittäin voimakkaasti sitoutuvia vasta-aineita, mutta mikään yksittäinen menetelmä ei menestynyt tasaisesti kaikissa suunnittelutehtävissä.\n\nSelkein onnistuja oli Aureka Biotechnologies. Sen mallin suunnittelema SARS-CoV-2:n reseptoria sitovan alueen vasta-aine saavutti 94,7 pikomolaarin (pM) affiniteetin. Mitä pienempi luku on, sitä tiukemmin vasta-aine sitoutuu kohteeseensa. Tulos oli noin 2 000 kertaa alkuperäistä vasta-ainetta parempi ja tilastollisesti samalla tasolla kuin perinteisellä kypsytysmenetelmällä tuotettu paras klooni. 16\n\n## Mitä AIntibody-haasteessa testattiin?\n\nCASP-tyylinen AIntibody Challenge suunniteltiin erottamaan mallien ennusteet todellisesta kokeellisesta suorituskyvystä. Yhteensä 29 organisaatiota toimitti 511 vasta-ainese kvenssiä, jotka testattiin riippumattomasti ja yhdenmukaisissa laboratorio-olosuhteissa. Osallistujat eivät siis arvioineet omia tuloksiaan. 12\n\nVertailu keskittyi SARS-CoV-2:n piikkiproteiinin reseptoria sitovaan alueeseen ja sisälsi kolme vasta-aineiden löytämiseen liittyvää tehtävää:\n\n1. Affiniteetin laskennallinen kypsytys: annetun alkuperäisen vasta-aineen parantaminen.\n2. Affiniteetin järjestäminen: vahvimpien sitojien tunnistaminen kolmesta rajatusta HCDR3-sekvenssiryhmästä. HCDR3 on vasta-aineen sitoutumiseen keskeisesti vaikuttava alue.\n3. Kirjaston ulkopuolinen suunnittelu: sellaisten CDR-sekvenssien luominen tai optimointi, jotka eivät kuuluneet annettuihin kokeellisiin kirjastoihin. 1\n\nSitoutumista mitattiin pintaplasmoniresonanssilla ja erillisellä KinExA-testillä. Lisäksi vasta-aineille tehtiin viiden kokeen kehityskelpoisuuspaneeli, jolla pyrittiin tunnistamaan ominaisuuksia, jotka voivat tehdä muuten tehokkaasta vasta-aineesta hankalan lääkekehityksessä. Näin ehdokkaita arvioitiin mallien pistemäärien sijaan niiden todellisen laboratoriokäyttäytymisen perusteella. 1\n\n## Aurekan 94,7 pM:n tulos\n\nAurekan vahvin suoritus nähtiin affiniteetin kypsytyksessä. Tutkimuksessa voittajavasta-aineen nimi on AuraBind, ja se yhdistetään Aurekan AuraIDE-alustaan. Sen mitattu affiniteetti oli 94,7 pM – noin 2 000 kertaa alkuperäistä vasta-ainetta parempi. 146\n\nVertailukohta perinteiseen laboratoriotyöhön on olennainen. Paras kokeellisesti kypsytetty klooni syntyi noin kolme kuukautta kestäneen faagikypsytyksen jälkeen, ja sen affiniteetti oli 113 pM. Aurekan luku oli pienempi, mutta kahden parhaan vasta-aineen välinen ero ei ollut tilastollisesti ratkaiseva. Reiluin tulkinta on, että tekoälysuunnitelma ylsi tässä kokeessa parhaan kokeellisen tuloksen tasolle – ei se, että se olisi kiistatta päihittänyt perinteisen menetelmän. 16\n\nKyse ei myöskään ollut vain yhdestä näyttävästä sekvenssistä. Aureka tuotti kuusi vasta-ainetta, joiden affiniteetti oli alle 10 nM ja jotka läpäisivät myös haasteen kehityskelpoisuuskriteerit. Sen ehdokkaat sijoittuivat affiniteetin kypsytyksessä ensimmäiseksi, toiseksi ja viidenneksi. 1\n\n## Mikä voittajasekvenssissä oli erityistä?\n\nVoittajavasta-aine ei ollut yksinkertaisesti olemassa olevan, kokeellisesti valitun kloonin kopio. Tutkimuksen mukaan se yhdisteli toimitetusta valintadatasta pääteltyjä substituutioita ja mutaatiomalleja. Rakenteeseen perustuva affiniteettimalli valitsi suunnitelman 10 000 tuotetun ehdokkaan joukosta. 1\n\nAuraIDE yhdisti rakenteellisen mallinnuksen ja preferenssidatalla koulutetun soveltuvuuden ennustajan. Sen sijaan, että malli olisi yrittänyt ennustaa jokaiselle sekvenssille suoraan täsmällistä sitoutumisvakiota, se oppi kokeellisesta rikastumisesta suhteellisen järjestyksen. Tämä sopii paremmin käytännön tilanteeseen, jossa ehdokkaita pitää asettaa paremmuusjärjestykseen jatkotestejä varten. 1\n\nTällä erolla on merkitystä vasta-aineiden löytämisessä. Hyödyllisen järjestelmän ei tarvitse välttämättä tietää jokaisen sekvenssin lopullista affiniteettia tarkasti. Sen on ennen kaikkea parannettava todennäköisyyttä, että hallittavan kokoinen ehdokasjoukko sisältää vahvoja ja käyttökelpoisia sitojia.\n\n## Aureka voitti yhden tehtävän – ei koko vertailua\n\nAureka oli selvä ykkönen ensimmäisessä haasteessa, mutta sen tulos ei tarkoittanut ylivoimaa kaikissa kolmessa tehtävässä. Ryhmittelytehtävässä johtava joukkue vaihteli ryhmän mukaan: UCSD/Scripps voitti 27F-ryhmässä, WashU/Xencor 28F-ryhmässä ja WashU 47F-ryhmässä. Xencor voitti kirjaston ulkopuolisen suunnittelun tehtävän. 1\n\nTutkimuksen tehtävien välinen analyysi osoitti lisäksi, että jokaisella tuloksensa julkistaneella ryhmällä oli ainakin yksi haaste, jossa sen paras tulos jäi selvästi kärkisuorituksista. 1\n\nTämä on vertailun tärkein viesti: tekoälypohjainen vasta-ainesuunnittelu ei ole yksi yhtenäinen kyvykkyys. Järjestelmä, joka osaa parantaa tunnettua vasta-ainetta runsaan kohdekohtaisen datan avulla, voi olla paljon epäluotettavampi, kun sen pitää järjestää samankaltaisia sekvenssejä tai suunnitella kokonaan annetun kirjaston ulkopuolelta.\n\n## Mitä tulos merkitsee laboratorioille?\n\nKäytännön hyöty näyttää tällä hetkellä suurimmalta johtoehdokkaiden optimoinnissa, ei laboratorion poistamisessa. Hyvä malli voi suotuisissa oloissa vähentää vasta-ainekirjastojen rakentamisen, esittelyvalinnan, kloonien ilmentämisen ja seulonnan toistuvia kierroksia. Ensimmäisessä haasteessa noin 13 prosenttia ehdotuksista paransi affiniteettia vähintään 20-kertaisesti alkuperäiseen vasta-aineeseen verrattuna, vaikka osallistujien tulokset vaihtelivat paljon. 1\n\nVertailu tukee siis laboratorio ihmisen mukana -työskentelytapaa:\n\n- käytetään kokeellista valinta- ja sekvensointidataa uusien ehdokkaiden tuottamiseen;\n- hyödynnetään malleja pienemmän ja mahdollisesti monipuolisemman sekvenssijoukon priorisointiin;\n- tuotetaan ja testataan sekvenssit sokkoutetuissa ja yhdenmukaisissa kokeissa;\n- arvioidaan sekä sitoutumisvoimaa että kehityskelpoisuutta ennen ehdokkaiden viemistä eteenpäin.\n\nViimeinen vaihe on välttämätön. Osa erittäin voimakkaasti sitoutuvista suunnitelmista epäonnistui yhdessä tai useammassa kehityskelpoisuustestissä, erityisesti monireaktiivisuuteen liittyvissä kokeissa. 94,7 pM:n tulos on vaikuttava, mutta pelkkä sitoutumisvoima ei tee vasta-aineesta sopivaa lääkekandidaattia. 1\n\n## Suurin rajoitus on yleistettävyys\n\nTutkimus oli vaativa ennakoiva testi, mutta tekoälylle myös suhteellisen suotuisa ympäristö. Siinä käytettiin yhtä hyvin tunnettua antigeenia, laajaa syväsekvensointi- ja affiniteettidataa sekä toisessa ja kolmannessa tehtävässä tietoja, joita ei todellisessa löytövaiheen tutkimuksessa välttämättä olisi vielä saatavilla. 1\n\nTulokset heijastavat tätä rajoitusta. Ryhmitellyissä HCDR3-aineistoissa kaikki yhtä mallia lukuun ottamatta ennustivat korkean affiniteetin klooneja heikosti tai satunnaisvalintaa huonommin. Myös kirjaston ulkopuolisen suunnittelun tulokset vaihtelivat suuresti. 12\n\nVertailu ei siis osoita, että tekoäly tuottaisi yhtä vahvoja tuloksia tuntemattomia antigeeneja, niukkoja aineistoja tai erilaisia vasta-ainemuotoja käytettäessä. Se ei myöskään kata kaikkia terapeuttisessa kehityksessä vaadittavia ominaisuuksia. Sen sijaan se osoittaa, että jotkin järjestelmät voivat toimia erittäin hyvin tarkasti määritellyissä ja biologisesti hyvin perustelluissa tilanteissa.\n\n## Mitä tämä merkitsee Aureka-yhtiölle?\n\nAurekalle vertailu tarjoaa poikkeuksellisen arvokasta ulkopuolista näyttöä, koska sen alusta yhdistyi riippumattomasti testattuun kokeelliseen tulokseen eikä vain yhtiön omaan mallipistemäärään. Yhtiö sai elokuussa 2026 päätökseen 100 miljoonan dollarin B-sarjan rahoituskierroksen, joka nosti ilmoitetun kokonaisrahoituksen lähes 200 miljoonaan dollariin. Granite Asia rahoitti ensimmäisen osuuden, ja myöhempää osuutta johti strateginen sijoittaja. 1821\n\nAureka on lisäksi kertonut liiketoiminnan kehittämiseen ja niin sanottuihin NewCo-yhteistyömalleihin liittyvistä hankkeista useiden monikansallisten lääkeyhtiöiden kanssa. 4 Uusi rahoitus ja kumppanuudet antavat yhtiölle resursseja sekä mahdollisia reittejä viedä mallien suunnittelemia vasta-aineita lääkeohjelmiin. 418\n\nVertailu ei kuitenkaan ole kliininen validointi. Se ei todista, että Aurekan alusta tuottaisi menestyviä lääkkeitä tai olisi yleisesti parempi kuin kokeelliset vasta-aineiden löytämismenetelmät. Näyttö tukee rajatumpaa mutta hyödyllisempää johtopäätöstä: Aurekan tekoälyavusteinen työnkulku voi tuottaa erittäin voimakkaita ja kehityskelpoisia vasta-ainekandidaatteja ainakin yhdessä tarkasti määritellyssä optimointitehtävässä. Alan on silti testattava menetelmiä laajemmin, eri kohteilla ja erilaisissa löytötilanteissa.