Biohub slipper åpen proteinmodell som designer bindere i lab

Biohub har sluppet en åpen AI-plattform for proteinbiologi som er verdt mer oppmerksomhet enn den vanlige "AI i medisin"-overskriften.

Kunngjøringen handler om tre byggesteiner: ESMC, ESMFold2 og ESM Atlas. Biohub kaller det en verdensmodell for proteinbiologi. Mindre pompøst formulert: en modellfamilie som kan lese proteinsekvenser, forutsi struktur og hjelpe forskere å designe nye proteinbindere som faktisk testes i laboratorium.

Det siste punktet er nøkkelen. Mange AI-modeller i biologi er prediksjonsmaskiner. De sier noe om hva som kan være sant. Biohubs påstand er mer operasjonell: modellen kan brukes til å designe bindere mot mål innen kreft og immunologi, og de lab-validerte binderne hadde høy affinitet, spesifisitet og stabilitet.

Det er ikke en ferdig legemiddelfabrikk. Men det er et tydelig steg mot en annen type FoU-prosess.

Fra sekvens til testbar hypotese

ESMC er språkmodellen i systemet. Den er trent på om lag 2,8 milliarder proteinsekvenser fra livets tre. Hypotesen er at en modell som trenes på nok sekvenser, lærer mønstre for hvordan proteiner folder, samhandler og fungerer.

ESMFold2 bygger videre på dette og gjør sekvensrepresentasjonene om til tredimensjonale strukturer av proteiner og biomolekylære komplekser. Biohub beskriver modellen som rask og presis, og peker på at forskerne i en fersk preprint brukte den til å designe bindere mot fem biologiske mål.

ESM Atlas er kartet. Det gir forskere en måte å navigere i proteinuniverset på, i stedet for å starte hvert prosjekt fra bunnen.

For ledere i helse, biotek og offentlig forskningsfinansiering er konsekvensen enkel: AI blir ikke bare et analyseverktøy ved siden av laboratoriet. Det blir en del av selve forsøksdesignet.

Hvor styringen blir vanskelig

Åpne modeller gjør forskningen raskere og bredere. De gjør også ansvaret mer komplekst.

Når en modell kan foreslå biologiske bindere, må virksomheten vite hvem som eier beslutningen om å gå fra forslag til syntese, fra syntese til celleforsøk, og fra celleforsøk til videre utvikling. Det holder ikke å si at modellen "bare hjalp til".

Det må finnes sporbarhet fra modellversjon til datasett, prompt, kandidat, labresultat og beslutning. Hvis en kandidat forkastes, bør grunnen være like godt dokumentert som når den tas videre.

En enkel intern kontroll kan se slik ut:

def candidate_gate(candidate):
    checks = [
        candidate.has_model_version,
        candidate.has_training_data_note,
        candidate.has_lab_protocol,
        candidate.off_target_risk < 0.15,
        candidate.reviewed_by_human_scientist,
    ]
    return "advance_to_lab" if all(checks) else "hold_for_review"

Poenget er ikke koden. Poenget er at AI-designet må møte en formell port før det blir våtlab-arbeid.

Åpent er ikke det samme som ufarlig

At Biohub gjør modellen åpen, er viktig. Det kan gi universiteter, mindre biotekselskaper og offentlige forskningsmiljøer tilgang til verktøy som ellers ville ligget bak lukkede plattformer.

Men åpen tilgang gir også behov for tydelig biosikkerhet, eksportkontroll og intern brukspolicy. Proteinmodeller er ikke tekstgeneratorer. De jobber i et domene der feil, misbruk og for rask oversettelse fra skjerm til lab kan få fysiske konsekvenser.

Dette er likevel en av de mer substansielle AI-nyhetene denne uken. Ikke fordi Biohub lover magi. Men fordi de viser hvordan modell, atlas og laboratorievalidering kan bindes sammen i én forskningsflyt.

For norske miljøer innen helse, akvakultur, industriell biotek og farmasi er spørsmålet praktisk: skal man bare kjøpe ferdige AI-tjenester fra globale leverandører, eller bygge kompetanse til å bruke åpne vitenskapelige modeller direkte i egne forskningsløp?

Svaret bør ikke være enten eller. Men Biohub gjør det vanskeligere å late som dette fortsatt er langt unna.

Kilder og medier

• Primærkilde: Biohub, "Biohub releases a world model of protein biology", 27. mai 2026: https://biohub.org/news/world-model-of-protein-biology/
• Biohub beskriver ESMC, ESMFold2 og ESM Atlas, inkludert trening på omtrent 2,8 milliarder proteinsekvenser og lab-validerte bindere mot mål innen kreft og immunologi.
• Thumbnail: OpenAI Image 2 / hogby.ai via Codex OAuth.