DeepMindin moniagenttinen Co-Scientist-järjestelmä siirtyi tutkimusdemosta arvostetun tiedelehden sivuille toukokuussa 2026. Nature julkaisi paperin 19. toukokuuta, ja samaan aikaan Google avasi järjestelmän tutkijoille Gemini for Science -paketissa osoitteessa labs.google/science. Yritysasiakkaiksi mainitaan japanilainen Daiichi Sankyo, Bayer Crop Science ja yhdysvaltalaiset kansalliset laboratoriot.
Askel demoista vertaisarvioituun paperiin on isompi kuin miltä kuulostaa. Aiemmin Co-Scientist oli lähinnä blogiesimerkkien koriste. Nyt sen arkkitehtuuria ja ehdotuksia on käsitelty Naturen vertaisarvioinnissa, ja rinnalla julkaistiin kuusi yhteistyöpaperia, jotka osoittavat järjestelmän tuottavan aitoja uusia hypoteeseja, ei pelkkää tunnettujen tulosten kierrätystä.
Kuusi agenttia kiertää, supervisor ohjaa
Co-Scientist ei ole yksi malli, vaan tiimi. Pohjana on Gemini, jonka päälle DeepMind on koonnut joukon erikoistuneita agentteja kolmeen vaiheeseen. Supervisor-agentti orkesteroi rinnakkaisuutta.
Tuottamisvaiheessa Generation-agentti laatii hypoteeseja kirjallisuuden ja tietokantojen pohjalta. Proximity-agentti ryhmittelee ehdotuksia, jotta tiimi ei jämähtäisi yhden ajatuksen ympärille. Väittelyvaiheessa Reflection-agentti haastaa hypoteesit virheiden ja uutuusarvon näkökulmasta, ja Ranking-agentti pisteyttää niitä Elo-tyylisessä pariturnauksessa. DeepMind kutsuu tätä ideaturnaukseksi. Lopuksi Evolution-agentti jalostaa kärkikandidaatit ja Meta-review kokoaa lopullisen ehdotuksen.
Tekninen yksityiskohta erottaa järjestelmän tavallisesta chat-mallista: agentit on viritetty tarkistamaan, eivät pelkästään keksimään. Väitteet ristiintarkistetaan ChEMBL- ja UniProt-tietokantoja vasten, ja proteiinirakenteita varten kutsutaan AlphaFold. Käytännössä tämä leikkaa hallusinaatioiden määrää, joka on tavallisilla suurilla kielimalleilla tutkimuskäytön suurin kompastuskivi.
Vorinostat ja muut yllätykset
Konkreettisin tulos koski maksafibroosia. Stanfordin geneetikko Gary Peltz pyysi Co-Scientistia ehdottamaan kolmea lääkettä, jotka voisivat hidastaa tai jopa kääntää maksan arpeutumisen. Peltz lisäsi listaan kaksi omaa ehdokastaan ja testasi kaikkia viittä ihmisen elävillä maksasoluilla. Kaksi Co-Scientistin kolmesta valinnasta toimi.
Silmiinpistävin oli vorinostat, alun perin syöpähoidoiksi kehitetty HDAC-estäjä. Peltzin koeasetelmassa se esti 91 prosenttia siitä vauriovasteesta, joka käynnistää arpeutumisen. Tulos julkaistiin Advanced Science -lehdessä ja toimii Naturen pääartikkelin tärkeimpänä laboratorionäyttönä.
Edinburghissa toimivan Filippo Menolascinan ryhmä lähestyi samaa kenttää eri kulmasta. He keskittyivät MASH-tautiin, jossa yksittäiset lääkkeet auttavat vain osaa potilaista, koska taustalla on toisiinsa kietoutuvia aineenvaihduntareittejä. Menolascina käytti Co-Scientistia kahlatakseen maksabiologian ja farmakologian kirjallisuutta ja sai järjestelmän nostamaan esiin yhdistelmähoitokandidaatteja, joiden mekanismit voisivat täydentää toisiaan.
Toinen Naturen nostama esimerkki on mikrobilääkeresistenssi. Cellissä julkaistussa yhteistyössä Co-Scientist tunnisti tunnettuja resistenssimekanismeja ennen kuin samat löydökset päätyivät vertaisarvioituihin papereihin. DeepMindin mukaan tämä on järjestelmälle vaikein testi: ennustaa, ei muistella.
Miksi Co-Scientist ei ole pelkkä chatbot
Tavallinen kielimalli tuottaa hypoteesin ja jää siihen. Co-Scientistin agentit haastavat toisiaan: yksi keksii, toinen kumoaa, kolmas pisteyttää ja neljäs jalostaa. Lopputulos käy läpi ChEMBL-, UniProt- ja AlphaFold-tarkistuksen ennen kuin se päätyy tutkijan eteen. DeepMind kutsuu tätä verifiointia tärkeämmäksi kuin generointia.
Suomi seuraa sivusta – toistaiseksi
Suomessa kysymys on yksinkertainen: kuka pääsee kokeilemaan? FCAI on maan pääakateeminen tekoälykeskittymä, ja sen jäsenryhmiä on Aalto-yliopistossa, Helsingin yliopistossa ja VTT:llä. HUSin tutkimuspuolella CleverHealth Network -ekosysteemi koordinoi eC4Me-hanketta, jossa tekoälyä viedään harvinaisten sairauksien diagnostiikkaan ja akuutin leukemian hoidon tarkennukseen.
Co-Scientistin kaltainen yleishypoteesien tuottaja istuisi näihin asetelmiin luontevasti. Hypoteesien generointi yhdistettynä ihmisbiologiseen testaukseen on juuri se kohta, johon CleverHealthin tutkimusagenda on suunnattu. Käytännön käyttöönotto vaatii kuitenkin sopimuksen datan käytöstä, ja terveydenhuollon puolella myös eettisten lupien prosessin.
Julkaisuhetkellä HUSin tai FCAIn nimissä ei ole julkista tietoa pilottihankkeista, joissa Co-Scientistin ehdottamia uudelleenkäyttökandidaatteja testattaisiin suomalaisessa labrassa. Enterprise-tason kumppanuuksia DeepMind on tähän mennessä solminut globaalien lääkeyhtiöiden kuten Daiichi Sankyon kanssa, ei vielä yksittäisten yliopistosairaaloiden. Helpompi reitti pienelle ryhmälle on labs.google/science-rekisteröityminen ja yksittäiset hypoteesikokeilut.
