Kennisbank › AI-gestuurde wetenschappelijke ontdekkingen
AI-gestuurde wetenschappelijke ontdekkingen: hoe algoritmes meewerken aan nieuwe kennis
Stel je een onderzoeksassistent voor die nooit slaapt, elk artikel in een vakgebied heeft gelezen en binnen enkele uren miljoenen mogelijke oplossingen kan doorrekenen die een mens in een heel leven niet zou kunnen bekijken. Dat is in de kern wat er gebeurt bij AI-gestuurde wetenschappelijke ontdekkingen: kunstmatige intelligentie wordt niet langer alleen gebruikt om data op te slaan of grafieken te maken, maar om actief mee te zoeken naar nieuwe eiwitten, medicijnen, wiskundige bewijzen en materialen.
Een bekend voorbeeld maakt het concreet. Eiwitten zijn de bouwstenen van elke levende cel, en hun functie hangt af van hun precieze driedimensionale vouwvorm. Decennialang kostte het bepalen van zo'n vouwvorm maanden laboratoriumwerk per eiwit. Het AI-systeem AlphaFold van het Britse bedrijf DeepMind (onderdeel van Google) kan die vorm nu in enkele minuten voorspellen, met een nauwkeurigheid die in 2020 zelfs doorgewinterde biologen verraste. Dat is geen toekomstmuziek meer: het gebeurt vandaag, op duizenden laboratoria tegelijk.
Wat is het precies?
AI-gestuurde wetenschap draait om machine learning: software die patronen leert herkennen in enorme hoeveelheden data, zonder dat een programmeur elke regel expliciet voorschrijft. In de wetenschap betekent dit dat een systeem wordt getraind op bijvoorbeeld duizenden bekende eiwitstructuren, chemische reacties of wiskundige bewijzen, en vervolgens voorspellingen doet voor gevallen die het nog nooit heeft gezien.
Er zijn grofweg drie manieren waarop dit wordt ingezet. Ten eerste voorspellende modellen, zoals AlphaFold, die op basis van bekende patronen een uitkomst inschatten (welke vorm krijgt dit eiwit?). Ten tweede generatieve modellen, die zelf nieuwe kandidaten bedenken, zoals een onbekende molecuulstructuur die mogelijk een ziekte kan remmen. Ten derde combineert men grote taalmodellen (dezelfde technologie als achter chatbots) met een evaluator: een apart programma dat elk voorstel van de AI controleert op juistheid. Dat laatste is belangrijk, want taalmodellen kunnen zelfverzekerd onzin produceren, ook wel hallucineren genoemd. Door elke suggestie automatisch te laten toetsen aan wiskundige regels of experimentele data, filtert men de bruikbare ontdekkingen uit een berg aan gokwerk.
Tot slot spelen supercomputers een grote rol: veel van deze systemen doorzoeken een zogeheten oplossingsruimte van miljoenen tot miljarden mogelijkheden, iets wat menselijke onderzoekers met de hand nooit zouden kunnen uitputten.
Wat wil men ermee bereiken?
Het belangrijkste doel is snelheid: wetenschappelijke vooruitgang gaat vaak traag omdat experimenten duur en tijdrovend zijn. Een nieuw medicijn ontwikkelen kost gemiddeld tien tot vijftien jaar en honderden miljoenen euro's, grotendeels omdat onderzoekers eerst duizenden kandidaat-moleculen moeten testen voordat er één overblijft die werkt. AI belooft dat traject te verkorten door op voorhand te filteren welke kandidaten kansrijk zijn.
Daarnaast hoopt men problemen aan te pakken die simpelweg te complex zijn voor het menselijk brein alleen: het ontwerpen van een nieuw batterijmateriaal vereist het combineren van honderden scheikundige eigenschappen tegelijk, iets waar een computer beter in schaalt dan een mens met een periodiek systeem en een rekenmachine.
Een derde drijfveer is het democratiseren van kennis. Waar vroeger alleen de rijkste laboratoria zich dure experimenten konden veroorloven, kan een goed getraind AI-model in principe door elke onderzoeker met een computer worden gebruikt, wat vooral voor onderzoeksgroepen met kleinere budgetten een verschil kan maken.
Voorbeelden uit de praktijk
AlphaFold (DeepMind, 2020-2021). Tijdens de internationale wedstrijd CASP, waarin AI-systemen eiwitstructuren moeten voorspellen die al experimenteel bekend zijn (maar nog niet openbaar), behaalde AlphaFold in 2020 een nauwkeurigheid die door vakgenoten als een doorbraak werd omschreven. In 2021 werd het systeem opengesteld en volgde een database met inmiddels meer dan tweehonderd miljoen voorspelde eiwitstructuren, vrij te raadplegen door elke onderzoeker ter wereld.
GNoME (DeepMind, 2023). Dit systeem doorzocht mogelijke combinaties van chemische elementen en voorspelde honderdduizenden nieuwe, in theorie stabiele kristalstructuren voor materialen, waarvan een deel inmiddels in het laboratorium is nagemaakt. Zulke materialen kunnen relevant zijn voor bijvoorbeeld betere batterijen of halfgeleiders, al moet het merendeel van de voorspellingen nog experimenteel worden bevestigd.
AlphaTensor (DeepMind, 2022). Met behulp van reinforcement learning (een trainingsmethode waarbij een AI leert door te experimenteren en beloningen te krijgen voor goede zetten) vond dit systeem nieuwe, efficiëntere algoritmes voor matrixvermenigvuldiging, een basisbewerking die overal in computertechniek wordt gebruikt. Het resultaat verbeterde een wiskundig record dat decennialang had standgehouden.
FunSearch (DeepMind, 2023). Door een taalmodel te koppelen aan een strenge wiskundige controle vond dit systeem nieuwe constructies voor lastige combinatorische vraagstukken, waaronder een verbetering op het zogeheten cap-set-probleem, een abstract telraadsel dat al decennia wiskundigen bezighoudt.
Insilico Medicine (2023-2024). Dit biotechbedrijf ontwikkelde met AI een medicijnkandidaat tegen longfibrose (een aandoening waarbij longweefsel verlittekent), waarbij zowel het aangrijpingspunt in het lichaam als de molecuulstructuur van het middel grotendeels door AI werd bedacht. Het middel bereikte klinische fase 2-testen bij mensen, een van de eerste keren dat een grotendeels AI-ontworpen medicijn zo ver kwam.
Hoe ver is de techniek?
Het tempo van vooruitgang is de afgelopen vijf jaar opvallend hoog geweest, met bijna jaarlijks nieuwe doorbraken bij grote onderzoeksgroepen. Toch is het belangrijk om de status nuchter te bekijken.
Ten eerste blijft experimentele validatie onmisbaar. Een AI-voorspelling is een hypothese, geen bewijs. Van de honderdduizenden materialen die GNoME voorstelde, is slechts een klein deel daadwerkelijk in een laboratorium gemaakt en getest. Hetzelfde geldt voor medicijnkandidaten: een molecuul dat op papier goed lijkt te binden aan een ziekteveroorzakend eiwit, kan in de praktijk alsnog giftig blijken of niet werken in een levend organisme.
Ten tweede is er groeiende kritiek op de betrouwbaarheid van volledig geautomatiseerde onderzoekssystemen. Toen het Japanse bedrijf Sakana AI in 2024 een systeem presenteerde dat zelfstandig onderzoek zou kunnen doen, van hypothese tot volledig geschreven artikel, wezen wetenschappers erop dat de kwaliteit van de gegenereerde papers wisselend was en dat er nog altijd menselijke controle nodig is om fouten en overdrijvingen eruit te filteren.
Ten derde experimenteren grote spelers inmiddels met AI-systemen die niet één taak doen, maar het hele onderzoeksproces ondersteunen: van het bedenken van een onderzoeksvraag tot het voorstellen van experimenten. Google presenteerde begin 2025 zo'n systeem, gebaseerd op zijn Gemini-taalmodel, dat in samenwerking met universiteiten al is ingezet om onderzoekshypotheses te genereren over onder meer antibioticaresistentie. Dit soort systemen staat nog aan het begin en de resultaten moeten net als bij elk ander onderzoek onafhankelijk worden getoetst voordat ze als betrouwbaar gelden.
Kortom: de techniek is voorbij het experimentele stadium voor specifieke, goed afgebakende taken zoals eiwitvoorspelling, maar bevindt zich nog volop in ontwikkeling waar het gaat om AI die zelfstandig complete onderzoekstrajecten aanstuurt.
Wie werken eraan?
DeepMind, onderdeel van Google in Londen, is met AlphaFold, GNoME, AlphaTensor en FunSearch een van de meest zichtbare spelers. Ook het bredere Google-onderzoeksteam werkt aan systemen zoals de AI co-scientist.
Op het gebied van medicijnontwikkeling lopen bedrijven als het Hongkongse/Amerikaanse Insilico Medicine en het Britse Exscientia voorop, met AI-ontworpen moleculen die de klinische testfase bereiken. Grote farmaceutische bedrijven zoals Novartis en Sanofi investeren eveneens fors in AI-gedreven medicijnonderzoek, vaak in samenwerking met technologiebedrijven.
Academische instituten spelen een cruciale rol bij het valideren en verder ontwikkelen van deze modellen: onder meer het European Bioinformatics Institute (EMBL-EBI) in Cambridge host samen met DeepMind de openbare AlphaFold-database, terwijl universiteiten als Stanford, MIT en Imperial College London meewerken aan het testen van AI-gegenereerde hypotheses in echte laboratoria.
Ook buiten Europa en de VS groeit de betrokkenheid: Chinese onderzoeksinstituten en universiteiten publiceren in hoog tempo AI-onderzoek naar materialen en medicijnen, en Japan investeert via onder meer het onderzoeksinstituut RIKEN in AI voor natuurwetenschappen.
