Fenotypering: hoe machines de zichtbare eigenschappen van leven meten
Stel je een plantenkweker voor die vroeger met een liniaal, een notitieblok en een geoefend oog duizenden planten langsliep om te noteren welke het snelst groeiden, het meest wortelden of het beste tegen droogte konden. Dat werk, het systematisch meten en beschrijven van zichtbare of meetbare eigenschappen van een levend organisme, heet fenotypering. Het woord komt van 'fenotype': de optelsom van alle waarneembare kenmerken van een organisme, zoals lengte, kleur, gedrag of ziektegevoeligheid, in tegenstelling tot het genotype, de onderliggende genetische code.
Wat de afgelopen jaren is veranderd, is dat mensen dit werk steeds vaker overlaten aan camera's, sensoren, robots en algoritmes. In plaats van één kweker die honderd planten per dag beoordeelt, kan een geautomatiseerde loods nu tienduizenden planten per dag scannen met infraroodcamera's, 3D-lasers en beeldherkenningssoftware. Diezelfde aanpak duikt ook op bij mensen: onderzoekers gebruiken smartphonedata, medische beeldvorming en vragenlijsten om iemands 'fenotype' in kaart te brengen voor ziekteonderzoek. Fenotypering is dus geen nieuwe wetenschap, maar een oud principe dat door sensortechniek en kunstmatige intelligentie ineens op grote schaal en met grote precisie mogelijk is geworden.
Wat is het precies?
Fenotypering begint altijd met een vraag: welke eigenschap wil je meten? Dat kan van alles zijn, de hoogte van een maisplant, de bladkleur van tarwe onder droogtestress, het gewicht van een varken, of bij mensen kenmerken zoals gezichtsvorm, stofwisseling of slaapritme. Bij klassieke fenotypering gebeurde dat handmatig: iemand liep het veld in met een meetlint of nam een bloedmonster.
Moderne, 'high-throughput' fenotypering (hoge doorvoersnelheid) vervangt die handmatige stap door sensoren. Camera's die zichtbaar licht, infrarood of ultraviolet licht vastleggen, meten bijvoorbeeld bladoppervlak, kleurverandering of watergehalte. LIDAR-scanners (laserafstandmeting) bouwen een 3D-model van een plant of dier op, waaruit software automatisch vorm, volume en groeisnelheid berekent. Bij mensen kan dit gaan om MRI-scans, genetische data, of continue metingen via een smartwatch.
De volgende stap is data-analyse. Ruwe sensordata is op zichzelf niet bruikbaar: een camera levert miljoenen pixels, geen 'bladoppervlak in vierkante centimeter'. Machine learning-modellen, vaak neurale netwerken die getraind zijn op duizenden voorbeeldfoto's, zetten deze ruwe data om in bruikbare metingen. Zo herkent een getraind model automatisch welke pixels 'blad' zijn en welke 'bodem', en telt het vervolgens hoeveel vierkante centimeter blad zichtbaar is.
Tot slot worden deze gegevens gekoppeld aan andere informatie, zoals de genetische samenstelling van de plant of het dier, de omgevingsomstandigheden (temperatuur, watergift, bodemtype), of bij mensen aan medische dossiers. Die koppeling maakt het mogelijk om verbanden te ontdekken tussen genen, omgeving en waarneembare eigenschappen, de kern van wat onderzoekers de genotype-fenotype-relatie noemen.
Wat wil men ermee bereiken?
De belangrijkste drijfveer achter geautomatiseerde fenotypering is snelheid. Klassieke plantenveredeling, het kruisen en selecteren van gewassen met gewenste eigenschappen, kost vaak tien tot vijftien jaar per nieuw ras, mede omdat het handmatig beoordelen van duizenden kandidaat-planten zo traag is. Als sensoren en software dat werk in dagen in plaats van maanden kunnen doen, kunnen veredelaars sneller gewassen ontwikkelen die beter bestand zijn tegen droogte, hitte of ziektes, iets dat gezien de opwarming van het klimaat en groeiende wereldbevolking urgentie heeft.
In de gezondheidszorg is het doel vergelijkbaar maar anders ingevuld: door het fenotype van patiënten preciezer en op grotere schaal te meten, hopen onderzoekers zeldzame ziektes sneller te herkennen, medicijnen te testen op subgroepen die er het meest baat bij hebben, en verbanden te vinden tussen genetische varianten en ziekterisico's. Dit sluit aan bij wat wel 'precisiegeneeskunde' wordt genoemd: behandeling afstemmen op het individuele fenotype in plaats van op een gemiddelde patiënt.
Een derde doel is simpelweg objectiviteit en reproduceerbaarheid. Een menselijke beoordelaar kan vermoeid raken, subjectief zijn, of van dag tot dag net iets anders meten. Sensoren en algoritmes meten, mits goed gekalibreerd, consistenter, wat wetenschappelijk onderzoek betrouwbaarder maakt en het mogelijk maakt data uit verschillende laboratoria of landen te vergelijken.
Voorbeelden uit de praktijk
NPEC, Nederland (vanaf 2019-2020): Het Netherlands Plant Eco-phenotyping Centre, een samenwerking tussen Wageningen University & Research en Universiteit Utrecht, beschikt over geautomatiseerde kassen waarin robotarmen en camera's dagelijks duizenden planten fotograferen en meten, van tarwe tot tomaat, om te bestuderen hoe gewassen reageren op droogte en klimaatverandering.
UK Biobank, Verenigd Koninkrijk (sinds 2006): Een van de grootste menselijke fenotyperingsprojecten ter wereld, met gezondheidsgegevens, MRI-scans, bloedwaarden en genetische data van ruim 500.000 deelnemers. De dataset wordt wereldwijd door onderzoekers gebruikt om verbanden tussen genen, leefstijl en ziektes zoals diabetes en dementie te bestuderen.
Human Phenotype Ontology (HPO), sinds 2008: Een gestandaardiseerd, internationaal 'woordenboek' van menselijke ziektekenmerken, ontwikkeld door onder meer de Charité in Berlijn en het Jackson Laboratory in de Verenigde Staten. Artsen gebruiken HPO-termen om symptomen van patiënten met zeldzame genetische aandoeningen eenduidig vast te leggen, wat automatische diagnosehulpmiddelen mogelijk maakt.
Digitale fenotypering in de psychiatrie (vanaf circa 2015): Onderzoekers als Jukka-Pekka Onnela (Harvard) onderzoeken of smartphonesensoren, zoals typsnelheid, schermgebruik en bewegingspatronen, subtiele signalen van depressie of terugval bij psychiatrische aandoeningen kunnen oppikken. Dit onderzoeksveld staat nog in een vroeg, experimenteel stadium.
Precisieveehouderij (breed toegepast sinds circa 2015): Sensoren en camera's boven stallen meten automatisch het gewicht, de melkproductie of het looppatroon van koeien en varkens, waardoor veehouders sneller zieke dieren kunnen opsporen en fokkerijbeslissingen kunnen baseren op gemeten in plaats van geschatte eigenschappen.
Hoe ver is de techniek?
In de plantenwetenschap is geautomatiseerde fenotypering inmiddels een gevestigde, dagelijks gebruikte technologie bij grote onderzoeksinstellingen en veredelingsbedrijven, al blijft het bouwen en onderhouden van zulke faciliteiten kostbaar, waardoor kleinere spelers vaak nog handmatig werken. De grootste technische uitdaging is niet het verzamelen van beelden, dat gaat inmiddels snel en goedkoop, maar het betrouwbaar vertalen van beelden naar biologisch zinvolle metingen onder wisselende omstandigheden zoals licht, weer en plantvariëteit.
Bij mensen ligt het tempo lager en de lat hoger, begrijpelijk omdat het om medische toepassingen gaat waarbij fouten directe gevolgen kunnen hebben. Grootschalige biobanken zoals UK Biobank zijn operationeel en leveren al bruikbare wetenschappelijke inzichten op, maar digitale fenotypering via smartphones en wearables voor bijvoorbeeld mentale gezondheid bevindt zich grotendeels nog in de onderzoeksfase: studies zijn vaak klein, resultaten wisselend, en klinische validatie (het aantonen dat een meting echt betrouwbaar iets over ziekte zegt) ontbreekt meestal nog.
Een terugkerend obstakel, zowel bij planten als bij mensen, is standaardisatie: verschillende laboratoria meten met verschillende sensoren, onder verschillende omstandigheden, wat vergelijking tussen studies bemoeilijkt. Internationale netwerken proberen dit met gedeelde protocollen te verbeteren, maar dit proces verloopt langzaam. Bij menselijke fenotypering komt daar een gevoelig privacyvraagstuk bij: wie heeft toegang tot zulke gedetailleerde persoonlijke data, en hoe wordt misbruik voorkomen? Dat is een nadrukkelijk punt van discussie in wetenschap en beleid, zonder dat er al een pasklare oplossing is.
Wie werken eraan?
In de plantenwetenschap lopen Wageningen University & Research (Nederland), het John Innes Centre (Verenigd Koninkrijk) en het Australian Plant Phenotyping Facility voorop, vaak gebundeld in het International Plant Phenotyping Network, een samenwerkingsverband van tientallen onderzoeksinstellingen wereldwijd. Ook grote zaadveredelaars zoals Bayer (via het overgenomen Monsanto), Corteva en Syngenta investeren fors in eigen fenotyperingsfaciliteiten om sneller nieuwe rassen te ontwikkelen.
Op het gebied van menselijke fenotypering en biobanken zijn onder meer het Wellcome Trust en de Britse overheid (financiers van UK Biobank), het Jackson Laboratory en de Charité Berlin (rond de Human Phenotype Ontology), en in Nederland het UMC Utrecht en Erasmus MC actief betrokken bij grootschalig fenotypisch onderzoek. Digitale fenotypering voor mentale gezondheid wordt onder meer onderzocht aan Harvard University en het Beth Israel Deaconess Medical Center in de Verenigde Staten. China investeert eveneens fors in zowel plantfenotyperingscentra als grootschalige biobanken, als onderdeel van bredere ambities op het gebied van landbouwtechnologie en precisiegeneeskunde.