Bio-informatica: hoe computers de code van het leven leren lezen
Stel je het menselijk DNA voor als een boek van drie miljard letters, geschreven in een alfabet van slechts vier tekens: A, C, G en T. Dat boek bevat de complete bouwtekening van een mens, maar het is geschreven zonder spaties, zonder hoofdstukindeling en grotendeels zonder duidelijke betekenis voor het blote oog. Bio-informatica is de wetenschap die computers gebruikt om dit soort biologische 'boeken' te lezen, te doorzoeken, te vergelijken en te begrijpen.
Het vakgebied ontstond op het snijvlak van biologie, informatica, wiskunde en statistiek. Waar een bioloog vroeger met een microscoop en reageerbuizen werkte, werkt een bio-informaticus vooral met software en enorme databestanden. Denk aan het vergelijken van het DNA van duizenden patiënten om een ziekteverwekkend gen op te sporen, of aan het voorspellen hoe een eiwit zich in de ruimte opvouwt op basis van de genetische code alleen. Zonder computers zou dat werk simpelweg niet te doen zijn: één menselijk genoom bevat al genoeg data om, uitgeprint, een stapel boeken van honderden meters hoog te vullen.
Wat is het precies?
Bio-informatica draait om drie stappen die telkens terugkeren: data verzamelen, data ordenen en data interpreteren.
De eerste stap is sequencing: het aflezen van de volgorde van de vier DNA-letters (basen) in een stukje erfelijk materiaal. Moderne sequencingmachines, zoals die van het bedrijf Illumina, lezen niet één lang DNA-molecuul in één keer, maar knippen het DNA in miljoenen kleine stukjes die apart worden afgelezen. Dat levert een enorme berg korte tekstfragmenten op, vaak vele miljarden per experiment.
De tweede stap is assemblage en alignment: die miljoenen losse fragmenten moeten weer in de juiste volgorde worden gelegd, alsof je een verscheurde krant reconstrueert puur op basis van overlappende scheurranden. Algoritmen zoals BLAST (Basic Local Alignment Search Tool) vergelijken fragmenten met elkaar of met een bestaand referentiegenoom om te bepalen waar ze thuishoren.
De derde stap is interpretatie: welke stukjes DNA coderen voor een eiwit, welke variaties (mutaties) zijn onschuldig en welke hangen samen met ziekte? Hiervoor gebruiken onderzoekers statistische modellen en, steeds vaker, kunstmatige intelligentie die patronen herkent in data van duizenden tot miljoenen mensen tegelijk.
Een aparte, snelgroeiende tak is structuurvoorspelling: niet de volgorde van de DNA-letters, maar de driedimensionale vorm van het eiwit dat daaruit ontstaat. Die vorm bepaalt grotendeels hoe een eiwit functioneert, en het voorspellen ervan gold decennialang als een van de lastigste problemen in de biologie.
Wat wil men ermee bereiken?
De belangrijkste drijfveer is gezondheid. Als je precies weet welke genetische variant een ziekte veroorzaakt of het risico erop verhoogt, kun je gerichter diagnosticeren, medicijnen ontwikkelen die op die variant aangrijpen, of mensen vroeg waarschuwen voor een verhoogd risico. Dit wordt vaak personalized medicine genoemd: behandeling afgestemd op het individuele genetische profiel van een patiënt, in plaats van een aanpak die voor iedereen hetzelfde is.
Een tweede doel is het versnellen van medicijnontwikkeling. Het testen van nieuwe stoffen in een laboratorium is traag en duur. Door eerst met computermodellen te voorspellen welke stoffen kans van slagen hebben, kunnen onderzoekers zich richten op de meest kansrijke kandidaten voordat er een proefbuis aan te pas komt.
Bio-informatica speelt ook een rol in landbouw (het sneller kweken van gewassen die bestand zijn tegen droogte of ziekte), evolutiebiologie (het reconstrueren van verwantschap tussen soorten) en epidemiologie: tijdens uitbraken van infectieziekten kan het virusgenoom razendsnel worden gesequenced en vergeleken, zodat verspreidingsroutes en nieuwe varianten in bijna realtime zichtbaar worden.
Onderliggend is er ook een meer fundamentele ambitie: simpelweg begrijpen hoe leven op moleculair niveau werkt. Veel van wat we over genen, eiwitten en ziekte weten, is pas ontdekt doordat computers patronen konden vinden die met het blote oog onmogelijk te zien waren.
Voorbeelden uit de praktijk
Het Human Genome Project (1990-2003) was het startpunt van de moderne bio-informatica: een internationaal consortium bracht voor het eerst het complete menselijke genoom in kaart, tegen kosten van naar schatting enkele miljarden dollars. Die eerste kaart bevatte nog gaten en onzekerheden.
Het Telomere-to-Telomere (T2T) consortium vulde die gaten uiteindelijk op: in 2022 publiceerde het de eerste werkelijk complete, gapless sequentie van een menselijk genoom, gepubliceerd in het tijdschrift Science.
DeepMind's AlphaFold zorgde in 2020 voor een doorbraak door bij de CASP14-wedstrijd (een internationale benchmark voor eiwitstructuurvoorspelling) een nauwkeurigheid te halen die dicht bij experimentele metingen lag. Samen met het European Bioinformatics Institute (EMBL-EBI) bracht DeepMind vervolgens een vrij toegankelijke database uit met voorspelde structuren van honderden miljoenen eiwitten, gratis te doorzoeken door onderzoekers wereldwijd.
Tijdens de coronapandemie werd het platform Nextstrain, gebouwd door onderzoeksgroepen aan het Fred Hutchinson Cancer Center (VS) en de Universiteit van Basel (Zwitserland), wereldwijd gebruikt om in bijna realtime te volgen hoe het virus SARS-CoV-2 muteerde en zich verspreidde.
Grootschalige biobanken zoals de UK Biobank, die genetische en gezondheidsdata van ongeveer een half miljoen deelnemers combineert, worden gebruikt om verbanden te vinden tussen genetische variatie en ziektes als diabetes, hart- en vaatziekten en dementie.
Hoe ver is de techniek?
De vooruitgang is de afgelopen twintig jaar spectaculair geweest, vooral op het gebied van sequencingkosten. Het aflezen van het eerste menselijke genoom kostte rond 2001 nog tientallen tot honderden miljoenen dollars; inmiddels kan een compleet genoom voor enkele honderden dollars worden gesequenced. Deze kostendaling ging zelfs sneller dan de beroemde 'wet van Moore' in de computerchipindustrie.
Toch is sequencing zelf niet meer de grootste bottleneck; het is de interpretatie van de data. Van een groot deel van de menselijke genetische variatie weten onderzoekers nog altijd niet precies wat het betekent — dit soort niet-geduide varianten wordt in de klinische praktijk een 'variant of uncertain significance' (VUS) genoemd. Ook is het menselijke referentiegenoom lange tijd vooral gebaseerd geweest op DNA van een beperkt aantal mensen, met te weinig aandacht voor genetische diversiteit wereldwijd. Het Human Pangenome Reference Consortium probeerde dit te verbeteren en publiceerde in 2023 een eerste concept-pangenoom, opgebouwd uit de genomen van enkele tientallen mensen met uiteenlopende afkomst, om een representatiever referentiepunt te bieden.
Op het gebied van eiwitstructuurvoorspelling geldt AlphaFold als doorbraaktechnologie, maar het voorspelt een statische, meest waarschijnlijke vorm; hoe eiwitten daadwerkelijk bewegen en interacteren in een levende cel blijft lastiger te modelleren. Ook blijft het combineren van verschillende soorten biologische data — DNA, RNA, eiwitten, metabolieten, ook wel 'multi-omics' genoemd — technisch en rekenkundig complex.
Praktische obstakels zijn er ook: de rekenkracht en opslag die nodig zijn voor grootschalige analyses zijn kostbaar, en het combineren van medische en genetische data van patiënten roept serieuze vragen op over privacy en beveiliging, zeker omdat genetische data niet te 'resetten' is zoals een wachtwoord.
Wie werken eraan?
Een aantal publieke instituten vormt de ruggengraat van het veld. Het Amerikaanse NCBI (National Center for Biotechnology Information), onderdeel van de National Institutes of Health (NIH), beheert GenBank, een van de grootste openbare DNA-databanken ter wereld. In Europa vervult het EMBL-EBI (European Bioinformatics Institute), gevestigd in Hinxton bij Cambridge (Verenigd Koninkrijk), een vergelijkbare rol, onder meer als partner van DeepMind bij de AlphaFold-database.
Onderzoeksinstituten als het Wellcome Sanger Institute (Verenigd Koninkrijk) en het Broad Institute (verbonden aan MIT en Harvard, Verenigde Staten) behoren tot de grootste genoomonderzoekscentra ter wereld. In China speelt BGI Genomics een vergelijkbare rol als grote speler in grootschalige sequencing.
Op commercieel vlak levert Illumina een groot deel van de sequencingapparatuur die wereldwijd wordt gebruikt, terwijl DeepMind (onderdeel van Google/Alphabet) met AlphaFold de eiwitstructuurvoorspelling heeft veranderd. Ook biotechbedrijven die AI combineren met geneesmiddelenontwikkeling, zoals Insitro en Recursion Pharmaceuticals, maken intensief gebruik van bio-informatica.
Daarnaast draait veel fundamenteel werk op academische samenwerkingsverbanden: universiteiten en ziekenhuizen wereldwijd dragen data en analyses bij aan grote, gedeelde projecten zoals de eerder genoemde biobanken en referentiegenoom-consortia.