Genoommodel: hoe AI de taal van DNA leert lezen en schrijven
Een genoommodel is een kunstmatige-intelligentiesysteem dat is getraind op enorme hoeveelheden DNA-sequenties, met als doel de "taal" van het genoom te leren begrijpen. Net zoals een taalmodel als ChatGPT leert welke woorden logisch op elkaar volgen door miljarden zinnen te lezen, leert een genoommodel welke combinaties van de vier DNA-letters (A, C, T en G) biologisch zinvol zijn, door miljoenen genomen van bacteriën, planten, dieren of mensen te bestuderen.
Stel je voor dat je een boek probeert te begrijpen dat geschreven is in een taal zonder spaties, leestekens of vertaalwoordenboek: alleen een eindeloze stroom van vier letters. Dat is grofweg de uitdaging bij DNA. Een genoommodel gaat die stroom te lijf zoals een taalmodel een tekst: door patronen te herkennen, ontbrekende stukken te voorspellen en uiteindelijk te "begrijpen" welk effect een verandering op één plek heeft op de rest van de tekst. Dat maakt het mogelijk om te voorspellen of een mutatie ziekte veroorzaakt, hoe een gen wordt aan- of uitgezet, of zelfs om volledig nieuwe, functionele DNA-sequenties te ontwerpen.
Wat is het precies?
Het uitgangspunt is simpel: het genoom van een organisme is in de kern een lange tekststring van de letters A, C, T en G, die samen coderen voor eiwitten, regeleenheden en allerlei andere biologische functies. Een genoommodel is een neuraal netwerk, vaak gebaseerd op dezelfde soort architectuur als grote taalmodellen (transformers) of op verwante architecturen die beter zijn toegesneden op zeer lange sequenties.
De training verloopt meestal zelfgesuperviseerd: het model krijgt enorme hoeveelheden DNA te zien waarin willekeurige stukjes zijn weggehaald of verborgen, en het moet leren die stukjes correct aan te vullen. Om dat goed te kunnen, moet het model impliciet leren welke patronen in DNA vaker voorkomen, welke combinaties functioneel samenhangen en welke stukken sterk geconserveerd zijn tussen soorten (en dus waarschijnlijk belangrijk zijn).
Na deze voortraining kan een model worden "afgestemd" (fine-tuning) op specifieke taken: het voorspellen van genexpressie (hoeveel een gen wordt afgelezen), het inschatten van het effect van een enkele letterverandering (een mutatie of variant), het voorspellen van de driedimensionale vouwing van chromatine, of zelfs het genereren van compleet nieuwe DNA-sequenties die aan bepaalde eisen voldoen. Een belangrijk verschil met taalmodellen is de schaal: het menselijk genoom telt ruim drie miljard letters, en veel biologisch relevante interacties spelen zich af over afstanden van honderdduizenden tot miljoenen letters. Dat vereist architecturen die veel langere sequenties kunnen verwerken dan doorsnee taalmodellen.
Wat wil men ermee bereiken?
Het menselijk genoom is grotendeels in kaart gebracht sinds het Human Genome Project rond 2003 werd afgerond, maar de functie van veruit het grootste deel van die drie miljard letters blijft onduidelijk. Slechts een klein percentage codeert direct voor eiwitten; de rest bestaat uit regelsequenties, structuren en stukken waarvan de functie nog grotendeels onbekend is, ooit smalend "junk-DNA" genoemd. Genoommodellen zijn een poging om die "donkere materie" van het genoom systematisch te doorgronden, zonder voor elk stukje apart een laboratoriumexperiment te hoeven doen.
Concreet hopen onderzoekers met deze modellen sneller te kunnen voorspellen of een specifieke genetische variant een ziekte veroorzaakt, wat cruciaal is voor de diagnose van zeldzame erfelijke aandoeningen. Ook willen ze beter begrijpen hoe regelsequenties genexpressie sturen, wat relevant is voor kankeronderzoek en ontwikkelingsbiologie. Daarnaast is er groeiende interesse in het generatieve gebruik van deze modellen: het ontwerpen van nieuwe eiwitten, enzymen of zelfs synthetische genomen voor toepassingen in de biotechnologie, landbouw of geneeskunde. Het uiteindelijke doel is een soort "simulator" van het genoom waarmee je virtueel kunt experimenteren voordat je iets in een laboratorium test, wat tijd en kosten kan besparen.
Voorbeelden uit de praktijk
Enformer (DeepMind en Calico, gepubliceerd in Nature Methods in 2021) was een van de eerste invloedrijke modellen die met een transformer-architectuur genexpressie kon voorspellen op basis van een DNA-sequentie van ongeveer 200.000 letters, een grote sprong in nauwkeurigheid ten opzichte van eerdere methoden.
GenSLM, ontwikkeld door het Argonne National Laboratory in de Verenigde Staten, was een genoomtaalmodel dat in 2022 werd ingezet om patronen in SARS-CoV-2-genomen te herkennen. Het model kon zorgwekkende virusvarianten identificeren op basis van hun genetische opbouw, en het onderzoeksteam ontving hiervoor een Gordon Bell Special Prize.
Evo, ontwikkeld door het Arc Institute in Californië en gepresenteerd in 2024, is een genoommodel met miljarden parameters dat is getraind op een zeer groot aantal bacteriële en virale (faag-)genomen. Het model kan lange DNA-sequenties genereren en is gebruikt om onder meer nieuwe CRISPR-achtige systemen te ontwerpen. In 2025 volgde Evo 2, een samenwerking tussen het Arc Institute en NVIDIA, getraind op een veel bredere verzameling genomen inclusief die van planten, dieren en de mens, met een aanzienlijk groter bereik aan sequentielengtes.
AlphaGenome, gepresenteerd door Google DeepMind in 2025, bouwt voort op eerder werk zoals Enformer en het latere Borzoi-model. Het richt zich specifiek op het voorspellen van het effect van DNA-varianten op processen als genexpressie, splicing (het knippen en plakken van RNA) en de driedimensionale organisatie van chromatine, over sequenties van rond het miljoen basenparen.
Ook de Nucleotide Transformer, ontwikkeld door het Franse bedrijf InstaDeep in samenwerking met onder meer NVIDIA en academische partners en gepresenteerd in 2023, is een veelgebruikt genoommodel dat is getraind op honderden menselijke en dierlijke genomen en wordt ingezet voor taken als het voorspellen van regelsequenties.
Hoe ver is de techniek?
Genoommodellen bevinden zich grotendeels nog in de onderzoeksfase. De modellen laten indrukwekkende vooruitgang zien op wetenschappelijke benchmarks, zoals het beter voorspellen van genexpressie of het effect van varianten dan oudere statistische methoden, maar klinische toepassing in bijvoorbeeld ziekenhuizen is nog beperkt. Een belangrijk knelpunt is validatie: een voorspelling van een model moet nog steeds experimenteel worden bevestigd voordat die betrouwbaar genoeg is voor medische besluitvorming.
Er is ook zorg over vertekening (bias) in de trainingsdata. Veel modellen zijn relatief sterk gebaseerd op goed bestudeerde referentiegenomen, vaak met een oververtegenwoordiging van mensen met Europese afkomst in publieke datasets, wat de nauwkeurigheid voor andere populaties kan beperken. Daarnaast blijft het lastig om zeer lange-afstandsinteracties in het genoom (over miljoenen letters) volledig te modelleren, ook al zijn recente modellen daarin flink verbeterd. De ontwikkeling gaat snel: waar modellen uit 2021 nog beperkt waren tot enkele honderdduizenden letters context, verwerken modellen uit 2025 al sequenties van rond het miljoen letters of meer. Toch benadrukken de onderzoekers zelf steevast dat het om onderzoeksinstrumenten gaat, geen kant-en-klare diagnostische tools.
Wie werken eraan?
Het veld wordt aangevoerd door een mix van techbedrijven, gespecialiseerde onderzoeksinstituten en academische centra. Google DeepMind is met Enformer en AlphaGenome een van de meest zichtbare spelers. Het Arc Institute, een non-profit onderzoeksinstelling in Californië die samenwerkt met Stanford, Berkeley en UCSF, ontwikkelde Evo en Evo 2, het laatste samen met chipmaker NVIDIA. Het Franse bedrijf InstaDeep (onderdeel van BioNTech) werkt samen met academische partners aan de Nucleotide Transformer. In de Verenigde Staten draagt het Argonne National Laboratory, een onderzoekscentrum van het Amerikaanse ministerie van Energie, bij met projecten als GenSLM. Ook Meta AI is actief in aanverwant onderzoek naar eiwitmodellen (ESM). Op Europees niveau speelt het European Bioinformatics Institute (EMBL-EBI) in Engeland een centrale rol in het beschikbaar stellen van genoomdata waarop deze modellen worden getraind, en instituten als het Broad Institute (VS) en diverse universiteiten in de EU dragen bij aan zowel de modellen als de biologische validatie ervan.