Moleculair ontwerp: hoe computers nieuwe stoffen bedenken voordat ze bestaan

Bijgewerkt: 7 augustus 2026 · 5 min leestijd

Moleculair ontwerp is het proces waarbij onderzoekers met behulp van computers een molecuul bedenken dat een specifieke eigenschap moet hebben, nog voordat dat molecuul ook maar in een reageerbuis heeft bestaan. Denk aan een architect die een gebouw ontwerpt op de tekentafel: de vorm, de sterkte van de constructie en de plek van de deuren worden eerst digitaal doorgerekend, en pas als het ontwerp goed genoeg lijkt, wordt er echt gebouwd. Bij moleculair ontwerp gebeurt hetzelfde, maar dan met atomen en chemische bindingen in plaats van bakstenen.

Een concreet voorbeeld: als je een medicijn wilt maken tegen een bepaald eiwit dat een ziekte veroorzaakt, moet je een molecuul vinden dat precies in een klein 'slot' op dat eiwit past, zoals een sleutel in een slot. Vroeger testten chemici hiervoor tienduizenden bestaande stoffen in het laboratorium, in de hoop dat er toevallig eentje goed paste. Met moleculair ontwerp berekent software eerst de vorm van dat slot en genereert vervolgens digitaal nieuwe sleutels die er goed in zouden moeten passen, waarna alleen de meest kansrijke kandidaten daadwerkelijk worden gemaakt en getest.

Wat is het precies?

Moleculair ontwerp combineert drie dingen: kennis van scheikunde, natuurkundige berekeningen en, de laatste jaren steeds vaker, kunstmatige intelligentie (AI). Het proces verloopt meestal in een aantal stappen.

Eerst wordt het doelwit vastgesteld: welk eiwit, welk materiaal of welke chemische reactie moet worden beïnvloed? Onderzoekers bepalen de driedimensionale vorm van dat doelwit, bijvoorbeeld met röntgenkristallografie (een techniek waarbij kristallen van een molecuul met röntgenstraling worden beschoten om de atoomstructuur zichtbaar te maken) of met voorspellingssoftware zoals AlphaFold, die de vorm van eiwitten kan berekenen op basis van hun bouwstenen.

Daarna genereert een computermodel duizenden tot miljoenen mogelijke molecuulstructuren die aan het doel zouden kunnen voldoen. Bij klassieke methoden gebeurt dit door bestaande moleculen systematisch aan te passen (een proces dat medicinal chemistry heet). Bij moderne AI-methoden leert een neuraal netwerk (een wiskundig model geïnspireerd op de werking van hersencellen) uit miljoenen bekende moleculen welke bouwstenen en vormen samen bepaalde eigenschappen opleveren, en genereert het vervolgens zelf nieuwe, nog niet bestaande structuren.

Vervolgens worden deze digitale kandidaten gefilterd. Software schat in hoe goed elk molecuul waarschijnlijk werkt, hoe giftig het mogelijk is, en hoe makkelijk het te maken is. Alleen de meest kansrijke tientallen of honderden kandidaten gaan door naar het laboratorium, waar ze echt gesynthetiseerd en getest worden. De uitkomsten van die tests worden weer teruggevoerd in het model, zodat het bij een volgende ronde beter voorspelt.

Wat wil men ermee bereiken?

Het belangrijkste doel is tijd en geld besparen. De ontwikkeling van een nieuw medicijn kost traditioneel tien tot vijftien jaar en kan honderden miljoenen tot miljarden euro's kosten, mede omdat negen van de tien kandidaat-medicijnen die het laboratorium halen, uiteindelijk toch niet werken of te gevaarlijk blijken. Als een computer van tevoren beter kan inschatten welke moleculen kansrijk zijn, hoeven er minder mislukte kandidaten fysiek getest te worden.

Daarnaast opent moleculair ontwerp de deur naar stoffen die niemand zou hebben bedacht via traditioneel trial-and-error-onderzoek, simpelweg omdat de zoekruimte van mogelijke moleculen astronomisch groot is: schattingen van het aantal chemisch haalbare, geneesmiddelachtige moleculen lopen op tot 10 tot de macht 60, een aantal dat vele malen groter is dan het aantal atomen in het waarneembare heelal. Mensen kunnen daar met de hand maar een piepklein deel van verkennen; computers kunnen sneller grote delen van die ruimte doorzoeken.

Het gaat niet alleen om medicijnen. Ook nieuwe batterijmaterialen, katalysatoren voor duurzame chemie, plastics die makkelijker afbreekbaar zijn en eiwitten voor industriële toepassingen worden inmiddels langs deze weg ontworpen.

Voorbeelden uit de praktijk

AlphaFold en AlphaFold3 (DeepMind, 2020-2024): dit AI-systeem voorspelt de driedimensionale vorm van eiwitten op basis van hun aminozuurvolgorde. Hoewel het zelf geen nieuwe moleculen ontwerpt, is het een essentieel hulpmiddel geworden om doelwitten voor moleculair ontwerp in kaart te brengen. De makers, Demis Hassabis en John Jumper, ontvingen hiervoor in 2024 de Nobelprijs voor Scheikunde.

RFdiffusion (Institute for Protein Design, Universiteit van Washington, 2023): een model van de onderzoeksgroep van David Baker dat volledig nieuwe eiwitten kan 'genereren' met een gewenste vorm en functie, in plaats van bestaande eiwitten aan te passen. Baker ontving hiervoor eveneens in 2024 de Nobelprijs voor Scheikunde.

Rentosertib / ISM3312 (Insilico Medicine, vanaf 2021): een molecuul tegen longfibrose (een ziekte waarbij longweefsel verlittekent) dat volgens het bedrijf zowel het doelwit-eiwit als de moleculaire structuur grotendeels met AI ontworpen kreeg. Het middel bereikte in 2023-2024 als een van de eerste grotendeels AI-ontworpen medicijnen de klinische testfase bij mensen.

GNoME (Graph Networks for Materials Exploration, Google DeepMind, 2023): een AI-systeem dat 2,2 miljoen nieuwe, in theorie stabiele materialen voorspelde, waarvan er honderden inmiddels ook daadwerkelijk in het laboratorium zijn nagemaakt. Dit richt zich op materialen voor bijvoorbeeld batterijen en supergeleiders, niet op medicijnen.

Isomorphic Labs (DeepMind-spinoff, opgericht 2021): gebruikt AlphaFold-achtige technologie specifiek om medicijnen te ontwerpen, met samenwerkingen met farmaceuten als Eli Lilly en Novartis, aangekondigd in 2024.

Hoe ver is de techniek?

Moleculair ontwerp met behulp van computers bestaat al decennia; wat de afgelopen vijf tot tien jaar sterk is versneld, is het gebruik van AI daarbinnen. De vooruitgang is snel, maar het veld is nog niet volwassen.

Het belangrijkste knelpunt is dat een goede digitale voorspelling niet garandeert dat een molecuul in het echt ook werkt, veilig is of te produceren is. Modellen zijn getraind op bestaande data en kunnen minder betrouwbaar zijn bij compleet nieuwe soorten moleculen. Ook is de stap van 'werkt in een reageerbuis' naar 'werkt veilig in een mens' nog altijd een langdurig en onzeker traject van klinische studies, dat AI (nog) niet overbodig maakt.

Tot nu toe zijn er wereldwijd enkele tientallen grotendeels AI-ontworpen medicijnen in klinische trials terechtgekomen, maar geen enkele is per augustus 2025 al goedgekeurd voor algemeen gebruik. Deskundigen zijn het erover eens dat de technologie het proces sneller en goedkoper kán maken, maar zijn voorzichtig met concrete tijdspaden, omdat de bottleneck vaak niet het ontwerp is, maar de trage en dure klinische testfase daarna.

Wie werken eraan?

In de commerciële sector zijn Insilico Medicine (Hongkong/VS), Recursion Pharmaceuticals (dat in 2024 fuseerde met het Britse Exscientia, een van de pioniers op dit gebied), Isomorphic Labs (Verenigd Koninkrijk, onderdeel van Alphabet) en Absci (VS, gericht op antilichamen) prominente spelers.

Op onderzoeksgebied lopen Google DeepMind (Verenigd Koninkrijk) en het Institute for Protein Design aan de Universiteit van Washington (Verenigde Staten, onder leiding van David Baker) voorop. Ook Microsoft Research werkt aan vergelijkbare technologie voor materialen, met een model genaamd MatterGen (2023-2024).

Daarnaast investeren grote farmaceutische bedrijven als Novartis, Roche, Pfizer en Sanofi in samenwerkingen met dit soort AI-bedrijven, en dragen academische centra in de Verenigde Staten, het Verenigd Koninkrijk, China en de Europese Unie (waaronder Nederlandse universiteiten zoals de TU Delft en Universiteit Utrecht, die onderzoek doen naar computationele chemie en eiwitontwerp) bij aan de onderliggende wetenschap.