Professor: tehisintellekt päästab biotehnoloogia pimeduses kobamisest

Ehkki tööstuse digiteerimine ja tehisintellekti areng kiirendab märkimisväärselt biotehnoloogia arengut, ei kao vajadus inimliku loomingulisuse ja kriitikameele järele kuhugi, leiab Taani Tehnikaülikooli Novo Nordiski fondi bioloogilise jätkusuutlikkuse keskuse teadusdirektor Lars Nielsen Jaan-Juhan Oidermaale antud intervjuus. Muutuv maailm avab täiendava võimaluse ka IT-vallas vilunud Eesti ülikoolidele, kirjutab Novaator.

Aasta alguses said Eesti teadlased Euroopast ajaloo suurima teadusrahastuse – 30 miljonit eurot, et edendada biotööstuse digiteerimist. Projekti partner Lars Nielsen Novo Nordiski fondi bioloogilise jätkusuutlikkuse keskusest räägib Novaatorile antud intervjuus täpsemalt, kuidas suurandmed ja masinõpe biotehnoloogia arengut kiirendavad ning milliseid võimalusi pakub avanev nišš Eesti ettevõtetele ja teadusasutustele.

Viis mõtet Lars Nielsenilt

• Uute ja kasulike valkude loomises mängivad rolli suured keelemudelid. Kui valkude keelt juba teadlased tunnevad, siis molekulide ja rakkude keelega jäädakse veel hätta.
• Tehisintellekt ja andmeteadus ei pruugi teadusuuringuid hüppeliselt kiirendada, ent võimaldab teha neid sama ajakulu juures palju ulatuslikumalt.
• Sajandi keskpaigaks süsinikuneutraalsuse saavutamiseks tuleb toota aastas jätkusuutlikult viis miljardit tonni süsinikumaterjali. Võtmerolli mängib seejuures alkohol.
• Keelemudelid võimaldavad valida kiiremini välja kõige paljutõotavamad ideed, mis võiks aidata kasvatada ka biotehnoloogiasse panustavate investorite hulka.
• Biotehnoloogi buumist kasu lõikamiseks tasub Eesti ülikoolidel ja ettevõtetel panustada riigi trumpkaardile – tarviliku taristu ja tarkvara loomisele.

Kui keegi paluks mul praeguse maailma olemus kahe sõnaga kokku võtta, vastaksin ilmselt sõnadega "määratu kiirenemine". Kui see hinnang paika peab, mis seda tagant tõukab? Võime rääkida, kuidas infotehnoloogia vallas toimunud murdelised saavutused sarnanevad tööstusrevolutsioonile aluse pannud aurumasinale, kuid siis oli inimestel uue reaalsusega kohanemiseks kümneid aastaid, mitte mõnikümmend kuud.

Uute, vähemalt väikesel skaalal toimivate ideedeni jõudmise kiirus on tõesti tohutult kasvanud. Selle taga on kaks laiemat suundumust. Ühelt poolt tungivad teadusesse jõuliselt peale tööstus 4.0 iseloomustavad elemendid ehk selle digiteerimine. See võimaldab meil automatiseerida üha rohkemaid protsesse, teha sama tüüpi tegevusi üha uuesti ja uuesti. Meil ei ole vaja laboris pipeteerivat teadlast, kui robot teeb sama töö ära kiiremini ja sama täpselt.

Veelgi suuremat muutust näeme aga andmetes ning tehisintellekti arendamise vallas. Juhtunu on lihtsalt imetlusväärne. Ma poleks osanud viie aasta isegi ennustada, kui suur see plahvatus olema saab. Biotehnoloogia puhul kitsamalt on muidugi oluline ka füüsiline maailm. Kapitali investeerimine võtab aega.

Nähtava kiirenemise taga on nende kahe segu. Ainult automatiseerimisest poleks piisanud. Võisime küll kunagi mõelda ja loota, et üha rohkemate valkude ja rakkude ehitamisega jõuame lõpuks paremini toimivate valkude ning rakkudeni, ent bioloogias tekib selle lähenemisega probleem.

Võtame kasvõi ühe väikese valgu, mis koosneb sajast aminohappest. Selle muutmiseks on ligikaudu 22¹⁰⁰ võimalust. Meil on võimatu seda ruumi piinliku täpsusega läbi kammida, isegi kui väga head sõela kasutades võime midagi olulist leida. Näiteks Frances Arnold sai Nobeli preemia võrdlemisi lihtsa idee eest, et valkude disainimisel saab kasutada evolutsioonilist lähenemist. Selle keskse põhimõttena viib mingi samm meid alati varasemast parema tulemuseni, ent see võtab taaskord kaua aega.

Mõnede suurte keelemudelite loogika aluseks võttes näeme nüüd, et eirates valkude struktuuri ja alusfüüsikat ning kasutades keele asemel koodi, jõuame heade tulemusteni väga kiiresti. Suudame luua kindlaid ülesandeid täitvaid valke 25 sammuga. Klassikalisemat lähenemist kasutades jõuaksime sama sammudega arvuga absurdselt paljude tulemiteni. Garanteeritult oleks neist peaaegu kõik aga kehvad. Liiatigi ei saaks me juhuslikke asendusi tehes teha niigi väga palju samme, sest valgu katki tegemiseks on väga palju võimalusi.

Lühidalt võimaldavad suured keelemudelid mingil veidral kombel seda väga keerukat ruumi avastada ning leida seejuures toimivaid valke ja ensüüme. Me ei tea veel, kuidas rääkida samal viisil molekulide ja rakkude keelt, aga mul pole kahtlust, et ühel hetkel sinna jõuame.

Teadlased on (kuri)kuulsalt nupukad, ent kas nende kujutlusvõime on nende uute tööriistade pakutavate võimaluste kasutamiseks piisav? Kui inimesed on veetnud enne seda aastaid röntgen-kristallograafia laboris ja uurinud üksikuid valke, võib olla raske harjumuspärast mõtteviisi muuta.

Pigem pole meil praegu piisavalt andmeteadlasi, kellel on piisav bioloogiline kirjaoskus. Ühelt poolt peavad seega muutuma tööriistad kasutajasõbralikumaks. Näiteks oskavad isegi bakalaureusetudengid kasutada geenijärjestuste võrdlemiseks programmi BLAST, mis põhineb väga keerulisel mudelil.

ChatGPT-le sarnaneva tööriista kasutamine on iseenesest võrdlemisi lihtne. Kui keegi on näidanud suurele keelemudelile, millised näevad välja kõik olemasolevad valgud, saame hõlpsalt paluda sellel kavandada meile kümme lüsosüümi või uut ensüümi. Keskeltläbi erinevad need kõigist teada-tuntud valkudest 25–30 protsenti. See ei tähenda, et nendest kõik ka päris maailmas töötavad, nagu ei vasta tõele kõik ChatGPT väited, aga see võimaldab kitsendada paljutõotavate kandidaatide ringi.

Suurema väljakutsena puudub meil aga praegu sügavam arusaam, kuidas panna need valgud tööle suuremas süsteemis. Valkude kavandamise vallas saavutasime edu vaid selle tõttu, et teadsime juba varem, kuidas paarsada tuhat valku välja nägid.

Kui tahame panna aga näiteks pärmi paremini morfiini tootma, tuleb meil sein ette, sest loomupäraselt seda pärm ei tee. Me ei saa öelda mudelile, et kavandada nüüd pärm, mille morfiinisaagis liitri kohta on 50 milligrammi asemel 250 milligrammi. Kui suudaksime kuidagi keelemudelisse kirja panna, et morfiini tootmiseks on vaja täpselt nii palju süsiniku, ensüüme, muid materjale ja seal juures on teatavad füüsikalised piirangud, oleks meil lootust.

See on järgmine suur väljakutse – meil on vaja füüsikalist suurt keelemudelit.

Milleks meil sellist radikaalset nihet bioloogilise materjali tootmiseks üleüldse vaja on ja kui realistlikud sellele pandavad lootused on? Jah, oleme ületanud planeedi taluvuspiirid juba mitmes eri valdkonnas, kuid küüniliselt mõeldes on praegu raske näha, kuidas taoline molekulaarne inseneeria aitaks vähendada märkimisväärselt näiteks põllumajanduse keskkonnakoormat laiemalt. Afganistani moonikasvatajatele võib tekkida tõsine konkurents, kuid mitte rohkemat.

Meie Taanis asuva instituudi keskne idee on bioloogilise jätkusuutlikkuse saavutamine. Novo Nordisk rahastab meid väga konkreetse eesmärgi saavutamiseks – praegu naftast ja maagaasist tulevatele miljarditele tonnidele süsinikule tuleb leida bioloogiline aseaine. Jah, võime sellest osa katta põllumajandusest tuleva tooraine ja jääkidega. Peame aga meeles pidama, et sellesama biomassi tootmine reostab loodust. Kasvõi maisist kütuse tootmisega läheme kellegi toidulaua kallale ja liiatigi kulub bioetanooli valmistamiseks tohutult naftat.

Kokku peaksime 2050. aastaks süsinikuneutraalsuse saavutamiseks hankida aastas seega kusagilt mujalt umbes viie miljardi tonni jagu süsinikku, et toota kütust, toitu ja eri materjalide tootmiseks. Absoluutarvudes võib tunduda praeguse majanduse muutmine seega ääretult raske. Üksikasjadesse süüvides taandub selle edukus aga suuresti selle, kui hõlpsalt suudame valmistada etanooli.

Paljud maailma probleemid laheneksid peaaegu päeva pealt, kui suudaksime toota odavalt suures koguses alkoholi. Saame sellest omakorda valmistada polümeriseerimise teel lennukikütust, polüetüleeni ja polüpropüleeni, mis on praegu ühed kõige levinumad plastid.

Uurime Austraalias, Taanis ja ka siin Eestis, kas võti võiks peituda gaasipõhises kääritamises. Valmistaksime kasulikke materjale õhus leiduvast süsihappegaasist ja odava elektriga toodetud vesinikust. Oleme näidanud, et seda võimalik. Üdini aus olles ei suuda me teha seda veel piisavalt odavalt. Üritame muuta seda protsessi tõhusamaks.

Meie ees seisavad aga ka puhtpraktilised väljakutsed. Kui tahame toota aastas viie miljardi tonni jagu süsinikupõhiseid materjale kasutades praegust lähenemist, kulub juba selleks tarvilike roostevabast terasest mahutite valmistamiseks ilmselt liiga palju metalli, et see oleks mingist otsast jätkusuutlik. Meil on muidugi küllaltki hea idee, kuidas sinna jõuda ehk see pole võimatu.

Teine suur probleem seostub süsihappegaasi kontsentreerimisega. Suudame teha seda piisavalt odavalt, kui ühendame oma tootmise fossiilkütuseid põletava elektrijaamaga, ammoniaagitehase või prügipõletusjaamaga. Töötame näiteks Austraalias gaasiettevõtetega, kelle CO₂ jalajälg on tõesti äärmiselt suur.

Olemuslikult on tegu samas ikkagi fossiilse süsiniku osalise taaskasutamisega ehk see aitab vaid meie keskkonnamõju vähendada. Kui tahame CO₂ otse õhust eemaldada, tuleb praegu tonni hinnaks umbes 250 dollarit. Euroopa Liidus tuleb saastekvoodina selle eest välja käia umbes 90 dollarit ja juba seda peetakse liiga kalliks.

Energiaga on lihtsam. Euroopas tervikuna ei pruugi inimesed veel tajuda (muigab), aga päikeseenergia ja teised alternatiivsed energiaallikad odavnevad kohtades nagu Austraalia, USA ja Lõuna-Euroopas. Energia hind pole teatud kohtades enam varsti probleem.

DNA järjestamise vallas toimunud revolutsioonile järgnenud aastatel valitsenud optimismilaine valguses võis jääda inimestele mulje, et elu enda aluskoodi lahti muukimise järel on kõik uksed meie ees valla. Kui me tahame aga sügavamalt mõista, milline on iga väikese DNA muutmise mõju rakule tervikuna, kasvab analüüsitav andmehulk hüppeliselt. Kuidas te nende suurandmete ja neist mustrite leidmisega toime tulete?

Üldiselt on iga andmepunkti hankimise hind hüppeliselt alla läinud. Ajalukku minnes avas kolibakteri genoomi täielik järjestamine täiesti uue maailma. Tegu on mudelorganismiga, mille aluspõhimõtete mõistmisest tõuseb laiemat kasu. Saime järsku teada, mida selle genoomi eri osad teevad ja pidime kõigile neile nimed panema. Täiendava kümne genoomi pealt saime hakata tegema juba teatavaid üldistusi.

Nüüd saame hakata juba 10 000 genoomi põhjal analüüsima, milline on kolibakterite looduslik variatiivsus. See on oluline, sest tahtes teha meie jaoks paremat bakterit, peame valima, millist aluspaari 4,5 miljonist DNA molekuli paarist täpselt muudame. Looduses on aga igast teatud-tuntud valgust teada aga vaid paar ei varianti. Kuna looduses elav kolibakter valmistab vaid umbes 4000 valku, siis ei ole see väljakutse tegelikult nii suur.

Kuigi selles valgu-ruumis pimedalt ringi tuiamine poleks tõesti väga viljakas, tulevad meile andmehulga kasvades taas appi suured keelemudelid. Arvan süsteemibioloogia põhjal, et mida rohkem andmeid koguneb ning elusorganismidest ja nende variatiivsusest teame, seda paremaid otsuseid see meil teha võimaldab

Mäletan veel seda, kus tekitasime genoomis juhuslikke mutatsioone, et organism toodaks rohkem teatud sorti ühendeid. Meil jäi üle loota vaid juhusele, et uus mutatsioon kallutab organismi meile kasulikus suunas. Seejuures tekkis iga kiirituse tulemusel sadu mutatsioone, millest võisid olla kasulikud vaid mõned. Isegi paremate kolooniateni jõudes saime neid omakorda parandada vaid piiratud määral. Kuna iga kord tekkis ka suurel hulgal soovimatuid mutatsioone, lagunes genoom lõpuks laiali. See aeg on loodetavasti möödas.

Teisisõnu ei pea lootma vaid toorele jõule, nii et absoluutselt kõigi võimalike radade läbi käimiseks tarvilike andmete talletamiseks jääb mõnesaja aasta pärast planeedil molekule väheseks?

Kolibakteri genoomi suurus on veidi üle 4,5 megabaidi. Isegi kui loome sellest 10 000 või miljon erinevat varianti, ei ole info koguhulk sedavõrd suur, kui võrrelda seda näiteks YouTube'i videote mahuga, mida inimesed iga päev vaatavad. Küsimus on selle info kodeerimises viisil, et see oleks kasutatav. Siinkohal on tarvis andmeteadlasi, et nad selle info suurte keelemudelite ning genoomi- ja struktuurimudelitega hoomatavaks muudaksid.

Uute ja kasulike bakteritüvede kallal tehtava arendustöö hinnast moodustavad praegu suure osa reaalses maailmas tehtavad eksperimendid. Piltlikult rohelise ja liikuva olluse kasvatamine. Kui suure osa sellest on võimalik asendada digitaalses maailmas tehtava tööga ja järjest paremaks muutuvate mudelitega? Google'i Deepmindi tegevjuht Demis Hassabise ennustuse kohaselt tõuseb teaduse vallas kõige rohkem kasu just bioloogias, ent isegi selle paika pidades on vaja teha aeg-ajalt reaalsuskontrolle, kindlustamaks, et tegu pole ühe suure tehisintellekti hallutsinatsiooniga.

Nn märgade laboratooriumite täpne jäljendamine kujutab alati väljakutset. Kuigi meil on teatav lootus, et ühe organismi kohta mitmeid andmekihte omades saame hakata neid ka õigesti tõlgendama, on meil vaja selleks ikkagi ajusid ja aega. See ei ole nii odav, kui mõned meist loota võivad.

Näeme digitaliseeritud ja robotiseeritud rakusüsteemide üksuste (biofoundry) näitel, kuidas inimesed arvavad, et meie töö kiireneb kordades. Kümne eri tüve asemel jõuame vaadata ju sama ajaga tuhandet. Ent tegu pole sedavõrd uurimistöö kiirendamise kui laiendamisega.

Peame uutest süsteemidest kasu lõikamiseks suutma kümne võimaliku variandi asemel välja mõelda tuhat eri võimalust, kuidas võiks uuritav tüvi välja näha. Kuna meie ajud ei tule sellega hästi toime, võib uuringute hind seeläbi ettevaatamatult tegutsedes hoopis kasvada.

Siinkohal on taas vaja kineetilisi- või keelemudeleid. Meil on vaja neid selleks, et koostada nimekirju headest, mitte halbadest ideedest. Kuna need suudavad arvestada paremini kõigi varasemate andmete ja probleemidega, aitab see meil uuritavate tüvede ringi kitsendada.

Mainisite, et arendustöö kiirendamiseks on vajalik tööstus 4.0 ehk piltlikult pole meil vaja enam nii palju pipeteerivaid teadlasi. Ühtlasi nentisite, et tehisintellekt suudab ka inimestest paremini mõelda, kui seda niimoodi kutsuda saab. Mis siis lõpuks inimeste teha jääb? Meenutades prohvetlikku anekdooti, kas laboris on lõpuks ainult üks lambipirni vahetav tehnik ja koer, kes jälgib, et inimene midagi ebavajalikku ei näpiks?

Nii radikaalne see nihe ehk siiski pole. Võime kõrvutada teadusmaailmas toimuvat ChatGPT kasutamisega. Meil on vaja kedagi, kes oskab küsida õigeid küsimusi, hinnata vastuse õigsust ja kui see loogiline ei tundu, küsida sama küsimust veidi teisel viisil. Veidral kombel pole see enesestmõistetav.

See peab paika kõigi praeguste tehisintellektipõhiste süsteemide puhul Näiteks kui tahame vabaneda fossiilkütustel põhinevast plastist, peab keegi sõnastama, millist plasti me täpselt soovime ja millised on võimalikud vahesammud.

Kuigi võime selle üle vaielda, väidan, et masinad ei suuda veel loovalt mõelda. Selle jaoks on meil endiselt inimesi tarvis. Küll aitavad masinad meil disainida paremaid eksperimente, mis pole sedavõrd raiskavad.

Omaette valdkond, kus paistab veel inimesi vaja olevat, on skaleerimine. Võime kasutada tehisintellekti optimaalsemate protsessideni jõudmiseks, kuid peame sinna juurde välja nuputama, kuidas ehitada paremaid reaktoreid, kus neid kasutada saab. Vähemalt praegu ei suuda seda tehisintellekt veel nii hästi teha.

Kas või kui palju võimaldab taoline protsesside digiteerimine ja tehisintellekt kiirendada näiteks mõne uue ravimi loomise ja turule toomisega tegeleva iduettevõtte elutsüklit? Varasemalt on üks biotehnoloogia sektorit kammitsenud asjaolu olnud just see, et erinevalt IT-maailma tulevatest ükssarvikutest peavad sealsed idud suutma hankida kuidagi kapitali vähemalt viieks aastaks, mis hõlmab tüüpiliselt ravimihiidude lahkusele ja suvale lootmist.

Tehisintellekti ja laiemalt andmeteaduse mõju sõltub siinkohal täpsest näitest. Näiteks morfiini valmistamiseks tarvilike valkude paremini ritta seadmiseks tarviliku arendustöö pealt on võimalik tõesti aega säästa. Meil on võimalik kiiremini veenduda, kas idee on elujõuline. Sama kehtib plasti valmistamiseks tarviliku polüetüleeni tootmisel. Tervikuna võib aga ideest lõpptooteni jõudmine võtta endiselt viis kuni seitse aastat, sest meil on vaja ehitada reaalse asja tootmiseks päris tehas või reaktor.

Küll aga on alustavatel, hea ideega biotehnoloogia-ettevõtetel võimalik näidata investoritele kergemini, kas nende lähenemine võimaldab tõesti näiteks biopõhiseid kemikaale varasemast paremini toota. Varasema viie aasta asemel võib kuluda selleks vaid paar aastat.

See võiks kindlasti muuta sektorisse investeerimist kütkestavamaks. Pikema horisondi puhul suudab leida investor teisigi võimalusi, kuhu oma kapitali kasutada.

Paratamatult tekib sinna juurde küsimus, kas tekkiv sõltuvus suurtele keelemudelitele toetuvast tehisintellektist hakkab ka kuidagi konkurentsi ja uute lähenemiste levikut halvama. Nende treenimine võtab tohutult ressursse, mille jaoks ei pruugi väikestel ettevõtetel ja ülikoolidel lihtsalt raha ning muid vahendeid olla. Jah, näiteks Google tegi praegu oma AlphaFoldi kõigile huvilistele kättesaadavaks, ent alati ei pruugi nii hästi minna ja uued ideed neelatakse juba läbi löönud hiidude poolt lihtsalt alla.

Isegi suurettevõtted hääbuvad. Võime vaadata kasvõi seda, kuhu on jõudnud praeguseks USA majanduselus domineerinud General Electric. Jah, sellised ettevõtted võivad oma käitumisega innovatsiooni pärssida, ent täpselt samamoodi võivad nad seda kiirendada. Nad ei pea hankima riskantsete, kuid vajalike investeeringute tegemiseks kapitali kuskilt mujalt.

Ent meie ees seisvate probleemide lahendamiseks on alati mõni parem idee või uus lahendus. Ajalukku vaadates on tulnud iga põlvkonnaga mingi uus tehnoloogia, mis on varasemat maastikku raputanud. Näiteks valitses autotööstuses arusaam, et sealsete hiidudega konkureerimiseks on vaja hakatuseks sadu miljoneid dollareid. Kuigi Elon Muskil oli juba alguses palju raha, õnnestus Teslal muuta tööstuse paradigmat tervikuna. Samamoodi murdis Apple IBM-i mudeli.

Ma ei usu seega suurettevõtete igavikulikusesse – lõpuks võidavad head ideed.

Rääkides suurettevõtetest, Novo Nordisk ja teie instituudi peamine rahastaja tõusis hiljuti Euroopa kõige väärtuslikumaks ettevõtteks. Kas see oleks saanud juhtuda mõnes teises riigis ja tegu oli puhta juhusega või on Taani teaduse ja arendustöö ökosüsteemis midagi maagilist, mis seda soodustab?

Nii palju võis olla selles juhust, et sajakonna aasta eest hakkas selle asutaja tegelema just insuliini tootmisega. Seejuures kasutas ta selleks Kanada teadlaste ideed. Huvitaval kombel on hakanud meeldima inimestele praegu ravimid, mis aitaks neil kaalus alla võtta või vältida ülekaalulisust. Need kaks valdkonda on teineteisele väga lähedal.

Ent ettevõte on pika ajaloo tõttu kannustanud ka riigi biotehnoloogia sektori arengut tervikuna. Hinnanguliselt toimub praegu umbes 40 protsenti kogu Taani tootmisest rakutehastega. Võime võrrelda tekkinud ökosüsteemi Eesti IT-ökosüsteemiga. Kus on, sinna tuleb juurde. Edulood sillutavad teed uutele edulugudele.

Kui rääkida Eesti teadlaste suurematest unistustest, siis ühe tulevikuväljavaatena loodavad nad ka siia luua elujõulise biotehnoloogia ökosüsteemi. Samas peame meeles pidama, et geograafiliselt asub Eesti ääremaal. Kui palju ja kuidas see sektori arengut mõjutab, kui võtmeisikutel puudub võimalus Euroopa suurematest pealinnadest vabalt valitud päeval otse Eestisse lennata või pole neist tunniajase rongisõidu kaugusel? Samas on paljud digitaliseeritud ja robotiseeritud rakusüsteeme kasutavad võrgustikud üleilmse ulatusega.

Geograafia pole enam sedavõrd määrav. Näiteks on meie Austraalia instituudil palju koostööprojekte USA ettevõtete ja teadusasutustega. Saadame enda disainitud tüved Californiasse, kus need valmis ehitatakse. Nemad saadavad tüved meile, kus me neid omakorda kirjeldame. Kui Eestist Saksamaale minekuks tuleb ületada vaid paar riigipiiri, siis meie puhul on vahemaad palju suuremad.

On täiesti loomulik, et kui kuskil on vaja ehitada geene suuremas mahus, tellitakse neid Lõuna-Californiast. Teadustöö pole siinkohal üldse probleem, sest loomingulised inimesed saavad töötada igal pool. Austraalias pole meil ka suuremahulist biotehnoloogia tööstust kui sellist, ent ettevõtjad võtavad meiega sellegipoolest ühendust, sest me teeme teatud asju viisil, mis neile meeldib.

Järgmise põlvkonna tehnoloogia puhul muutub olulisemaks võime andmetega töötada. Oleme hakanud ise alles praegu selles vallas vilumust saavutama. See on koht, kus Eestil on midagi panustada. Kui kombineerida seda siinsamas olemas olevate biotehnoloogia oskustega, võite jõuda uute lahendusteni, mille teoks tegemisest on huvitatud välismaised partnerid.

Samas pole üks rakusüsteem tegelikult nii suur investeering, et seda ei saaks ka oma majas teha, kui silme ees on mõni väga konkreetse probleeme lahendamine. Kui sul on piisavalt helged ajud, on kasud igal juhul sees.

Arvestades, kuidas biotehnoloogia sektorit peetakse praegu sedavõrd tulusaks ja tulutoovaks, miks siis sellega kõik ei tegele? Kui raske on sellega päris või peaaegu nullist alustada?

Biotehnoloogia vallas kipuvad olema kõige edukamad ettevõtmised seotud ravimite arendamisega. Seal liigub lihtsalt rohkelt raha. Kindlasti tasub aga spetsialiseeruda, nagu me Taanis teinud oleme, keskendume oma ajaloolise tausta tõttu insuliini ja diabeediga seotud tegemistele. Ent anname endale aru, et me ei saa teha hästi absoluutselt kõike.

Kindlasti on vaja aga regulatsioonide mõttes toetavat keskkonda, mis võimaldab kindlustada, et tehtav teadus leiab heakskiidu ka rahvusvaheliselt. Samuti on oluline saada heakskiit USA-st, et oma arendustega saaks tegelikult tulu saaks teenida.

Eriti ravimitööstuses on viimaks suur takistus see, et ühe ravimi turule toomine maksab tavaliselt miljard dollarit. Selline raha on väga vähestel ettevõtetel. Muidugi pole see väga robustne reegel, sest näiteks Amgeni ja GenTechi polnud 1985. aastal olemas. Uus tehnoloogia võib asju võib turgu oluliselt muuta, aga selleks tarviliku võimekuse saavutamine võtab aega. Peame olema selles osas realistlikud.

Samas leidub hea ideeni jõudes alati hulk suuri ettevõtteid, kes leiavad, et see neile sobib ja nad ostavad selle iduettevõtte üles. Teatud tasandil on seegi märk edust. Muidugi ei pruugi tekkida seepeale riigis kõiki neid kõrgepalgalisi töökohti, mida sa tahaksid, kuid edulugu on see sellegipoolest.

Tartu teadlaste Euroopast saadud 30 miljoni euro suuruse grandi põhituumaks on tiimingu edendamine. Millist rolli taoline horisontaalne teadmussiire mängib ja mis on see Taani kogemus, millest Eesti teadlastel kasu oleks?

Taani instituudina on meil tugev iduettevõtete spinnimise traditsioon. Meil on kogemus talendi üle kogu maailma kokku toomiseks, et luua väga suurt teaduslikku mõju, kuid see on võimaldanud luua väga edukaid spin-ettevõtteid. Euroopa kontekstis on see kultuur Taanile ja võib-olla ka Suurbritanniale praegu ainuomane. Spin-off-ettevõtte loomine on sama oluline, kui suure mõjuga teadustöö avaldamine.

Jõudsime selle tulemuseni samuti tiimingu toel, ainult et tegime toona koostööd USA-ga ja tõime kokku 5–10 oma eriala tipus olevat inimest. Osa tööst toimub teisel pool ookeani, kuid inimesed nägid, et selline kultuur töötab. Meie kultuur sarnaneb Californiale. Nüüd, kümme aastat hiljem tähendab see edukaid ettevõtteid. Loodame Tartuga koostööd tehes edendada seda kultuuri ka Eestis.

Meie enda fookus pöördus Taanis digiteerimise ja andmeteaduse poole 2019. aastal. Nagu kogu ülejäänud Euroopa, vaatame Eesti poole, et see aitaks meid andmetaristu ja vajaliku tarkvara loomisega. Eestis juurdunud kultuur võimaldab teha seda väga tõhusalt.

Antud juhul loodame lõigata sellest kasu globaalse rakusüsteemide allianssi (Biofoundry Alliance) jaoks ühise andme- ja tarkvarataristu ehitamisel, millega on liitunud üle maailma 34 institutsiooni. Järgmise kuue aasta pärast võib Tartu Ülikool ja Tallinna Tehnikaülikool olla rakusüsteemide selles vallas maailmas juhtpositsioonil. See on väga konkreetne eesmärk.

Seega võib praegune Eesti bioloogiahuviline keskkoolilõpetaja minna täie rahuga ka näiteks andmeteadust õppima?

Jah, kui keegi tunneb näiteks pakitsevat vajadust aidata lahendada praegu meie ees seisvat keskkonnakriisi, on see ideaalne koht.