AI-agenten moeten wetenschap versnellen waar AlphaFold tekortschiet

In 2024 kregen Demis Hassabis en John Jumper van Google DeepMind de Nobelprijs voor scheikunde voor AlphaFold, een neuraal netwerk dat de driedimensionale vorm van eiwitten voorspelt. Het systeem loste een probleem op waar wetenschappers vijftig jaar op vastliepen. AlphaFold werd meteen gezien als het lichtend voorbeeld voor hoe kunstmatige intelligentie de wetenschap zou versnellen. Investeerders staken vervolgens miljarden in AI-modellen voor biologie, scheikunde en materiaalonderzoek.

Waarom AlphaFold moeilijk te kopiëren is

Het succes van AlphaFold hing sterk af van één ding: de Protein Data Bank, een verzameling van ongeveer 170.000 experimenteel geverifieerde eiwitstructuren. Die database kostte 53 jaar internationale samenwerking en volgens schattingen zo'n 21 miljard dollar aan laboratoriumwerk om op te bouwen. Bovendien is de meettechniek erachter, eiwitkristallografie, ongewoon betrouwbaar en herhaalbaar. In de meeste andere wetenschapsgebieden is dat niet het geval: celkweken gedragen zich wisselvallig, chemicaliën bevatten sporen van verontreiniging en zelfs de luchtvochtigheid in een lab beïnvloedt resultaten. Om een AlphaFold-achtige doorbraak te herhalen, zijn nieuwe standaarden voor meten en dataverzameling nodig, en die zijn er in de meeste velden nog lang niet.

Redeneren in plaats van alleen data verzamelen

Een alternatief dringt zich op: AI-agenten. Dat zijn programma's op basis van taalmodellen die toegang krijgen tot digitale of fysieke hulpmiddelen en daarmee zelfstandig aan de slag gaan. In plaats van te vertrouwen op één grote, perfect gelabelde dataset, bootsen deze agents na hoe wetenschappers zelf werken: ze combineren onvolledige informatie, wegen de sterke en zwakke punten van verschillende methoden tegen elkaar af en stellen hun conclusies bij zodra nieuw bewijs binnenkomt.

Een concreet voorbeeld is Google's AI Co-Scientist, dat in mei werd aangekondigd. Onderzoekers gaven het systeem een korte briefing over de verspreiding van antibioticaresistentie tussen bacteriesoorten. Het programma zette meerdere deeltaken op: één onderdeel bedacht hypotheses op basis van bestaande literatuur, een ander onderdeel beoordeelde die kritisch, een derde rangschikte de sterkste kandidaten en een vierde verfijnde de uiteindelijke conclusie. De uitkomst — dat resistentiegenen meeliften op virussen die bacteriën infecteren — bleek correct. Onderzoekers van het Imperial College London waren tien jaar bezig geweest om via klassiek laboratoriumwerk tot dezelfde conclusie te komen, in een nog ongepubliceerd artikel dat het systeem nooit had gezien.

Snelheid en betrouwbaarheid als grootste winst

De technologie heeft nog duidelijke beperkingen. AI-agenten kunnen hallucineren, hun oordeel is niet altijd consistent en ze hebben beperkt geheugen om lang zelfstandig door te werken. Toch verwachten onderzoekers dat deze knelpunten geleidelijk verdwijnen. Agenten leggen bovendien automatisch elke stap van hun werkwijze vast, wat reproduceerbaarheid van experimenten kan verbeteren — al decennia een hardnekkig probleem in de wetenschap. Ook kunnen ze functioneren als een soort collectief geheugen van een laboratorium, waarin kennis niet verloren gaat wanneer onderzoekers vertrekken. Het grootste effect zit uiteindelijk in snelheid: een agent die duizenden artikelen doorspit, honderden moleculen ontwerpt en van mislukte tests leert binnen een nacht, verlaagt de kosten van experimenteren drastisch en geeft wetenschappers ruimte om risicovollere vragen te onderzoeken.