Een baanbrekende studie in het prestigieuze vakblad Cell laat zien hoe deep learning nieuwe medicijnen kan ontwerpen die ziekteprocessen op genetisch niveau omkeren. Wetenschappers ontwikkelden een AI-systeem dat niet alleen bestaande medicijnen analyseert, maar volledig nieuwe stoffen ontwerpt die ziekte-geassocieerde transcriptiepatronen herstelt.
Deze technologie markeert een belangrijke verschuiving in de manier waarop we geneesmiddelen ontdekken. In plaats van jarenlang trial-and-error in het lab, kan AI nu gericht zoeken naar moleculen met specifieke biologische effecten.
Wat is 'de novo' medicijnontdekking?
De term de novo betekent letterlijk 'vanaf het begin'. Bij de novo medicijnontdekking begint het proces niet met een bekende stof die wordt geoptimaliseerd, maar met een leeg vel. Het AI-model genereert volledig nieuwe moleculaire structuren die nog nooit eerder zijn gezien of gesynthetiseerd.
Traditionele medicijnontwikkeling begint vaak met het screenen van tienduizenden bestaande verbindingen. Dit proces is traag, duur en heeft een slagingskans van minder dan 1%. Deep learning verandert dit paradigma volledig.
Transcriptieprofielen als leidraad
Ons DNA wordt niet constant op dezelfde manier afgelezen. Afhankelijk van ziekteprocessen veranderen de patronen van welke genen aan- of uitstaan. Deze veranderingen worden transcriptieprofielen genoemd.
De onderzoekers gebruikten deze profielen als een soort 'ziektevingerafdruk'. Hun AI-model leerde welke transcriptiepatronen kenmerkend zijn voor bepaalde ziekten en zocht vervolgens naar moleculen die deze patronen juist kunnen normaliseren.
Hoe werkt deep learning in dit onderzoek?
Het team ontwikkelde een geavanceerd deep-learning framework dat verschillende technieken combineert. Het model analyseert enorme hoeveelheden data over genexpressie, moleculaire structuren en bekende biologische interacties.
Een belangrijk onderdeel is het gebruik van generatieve AI. Net zoals tools als DALL-E beelden kunnen genereren op basis van tekstbeschrijvingen, kan dit model moleculen genereren op basis van gewenste biologische effecten.
Van data naar molecuul
Het proces verloopt in verschillende stappen:
- Identificatie van het ziekte-specifieke transcriptieprofiel
- Generatie van duizenden potentiële moleculaire structuren
- Voorspelling van het effect van elke structuur op het transcriptoom
- Optimalisatie van de meest veelbelovende kandidaten
Het opvallende is dat het model niet alleen voorspelt of een stof werkt, maar ook hoe het werkt op moleculair niveau.
Resultaten: van theorie naar praktijk
De onderzoekers testten hun aanpak op verschillende ziektebeelden, waaronder kanker, ontstekingsziekten en zeldzame genetische aandoeningen. In meerdere gevallen identificeerde het AI-systeem zowel bestaande medicijnen als volledig nieuwe verbindingen die het gewenste effect hadden.
Wat bijzonder is: enkele van de door AI voorgestelde nieuwe moleculen bleken effectiever dan bestaande behandelingen in laboratoriumtesten. Dit toont aan dat AI niet alleen sneller kan werken, maar ook tot betere resultaten kan leiden.
Voordelen ten opzichte van traditionele methodes
De AI-aanpak heeft verschillende belangrijke voordelen:
- Snelheid: wat vroeger jaren duurde, kan nu in maanden gebeuren
- Kostenbesparing: minder fysieke experimenten in het beginstadium
- Creativiteit: het model kan structuren bedenken die een menselijke chemicus misschien over het hoofd zou zien
- Precisie: gerichte aanpak op basis van specifieke ziekte-mechanismen
Toekomst van AI in de farmaceutische industrie
Deze ontwikkeling past in een bredere trend waarin kunstmatige intelligentie een steeds grotere rol krijgt in de gezondheidszorg. Bedrijven als Exscientia, Insilico Medicine en BenevolentAI investeren al miljarden in AI-gedreven medicijnontwikkeling.
De studie in Cell laat zien dat we de drempel naar een nieuw tijdperk van precisiegeneeskunde overschrijden. Een tijdperk waarin behandelingen niet alleen gericht zijn op symptomen, maar de onderliggende moleculaire oorzaken van ziekte daadwerkelijk kunnen herstellen.
Uitdagingen blijven bestaan
Ondanks de indrukwekkende resultaten zijn er nog belangrijke uitdagingen. Het vertalen van een veelbelovende moleculaire structuur naar een veilig medicijn dat ook in mensen werkt, blijft een complex proces. Toxiciteit, bijwerkingen en de manier waarop het lichaam een stof opneemt en afbreekt blijven kritische factoren.
Toch biedt deze technologie hoop voor ziekten waarvoor nu nog weinig of geen goede behandelingen bestaan.
Conclusie
De integratie van deep learning in het medicijnontdekkingsproces vertegenwoordigt een van de meest veelbelovende toepassingen van AI in de gezondheidszorg. Door ziekte op transcriptieniveau te begrijpen en om te keren, opent deze technologie deuren naar behandelingen die we eerder niet voor mogelijk hielden.
Voor patiënten met zeldzame ziekten of aandoeningen die nu nog moeilijk behandelbaar zijn, kan deze ontwikkeling het verschil betekenen tussen een chronische ziekte en een beheersbare aandoening.
Wil jij op de hoogte blijven van de laatste ontwikkelingen op het gebied van AI in de gezondheidszorg? Schrijf je dan in voor onze nieuwsbrief en mis geen enkel artikel over hoe technologie ons leven en onze gezondheid verandert.
Bron: "Deep-learning-based de novo discovery and design of therapeutics that reverse disease-associated transcriptional phenotypes", gepubliceerd in Cell (2026).