Wat betekent AI voor de biologie?

Structuur van interleukine-31 zoals voorspeld door AlphaFold, de software van Google dat met AI meer dan 200 miljoen eiwitstructuren kan voorspellen.

Al een jaar lijkt iedereen in de ban van mogelijke toepassingen van artificiële intelligentie (AI). Wat is hiervan nu of aan de horizon al zichtbaar in biologische disciplines?

Sinds de lancering van de intelligente chatbot ChatGPT een jaar geleden is de wereld in de ban van de toepassingen en bedreigingen van artificiële intelligentie (AI). Toepassingen in vrijwel alle domeinen en sectoren lijken binnen handbereik. In hoeverre is hiervan al sprake in vakgebieden van de biologie en wat zijn de kansen en valkuilen voor toekomstige toepassingen van AI?

Sander Bohté, bijzonder hoogleraar cognitieve neurobiologie, in het bijzonder computational neuroscience aan de Universiteit van Amsterdam

‘Door principes uit het brein te gebruiken, zou je met veel minder energie kunnen rekenen. Het brein communiceert met pulsjes; heel zuinig. Zeker met ChatGPT is dat onderwerp van gesprek, want zo’n groot neuraal netwerk vreet energie.

‘Omgekeerd kunnen we algoritmes ook gebruiken om de werking van het brein te begrijpen. We kunnen neuronen steeds beter modelleren naar hoe het in het echt werkt. In de context van leren en uitvoeren van taken kunnen we nu heel gedetailleerde vragen stellen, bijvoorbeeld wat het functieverschil is tussen twee vergelijkbare typen neuronen. Bij de 3D-constructie van neuronen kan AI ook helpen. Of bij het volgen van wat muizen en ratten bij een experiment precies doen. Dat kan met AI ook veel preciezer.

‘Een van de dingen die we binnen de komende een, twee jaar gaan kunnen is veel grotere spiking neural networks trainen. We kunnen dan een muizenbrein helemaal simuleren en taken laten doen. Eigenlijk de originele belofte van het Europese Human Brain Project. Hopelijk kunnen we dan bijvoorbeeld uitvinden waarom de corticale kolommen in elkaar zitten zoals ze zitten; die regelmatige structuur is duidelijk ergens goed voor, maar waarvoor dan is een mysterie.

‘Steeds meer bedrijven zijn bezig met chips met spiking neural networks. Voor slimme apparaten, zoals hartmonitors en spraakherkenning. Dat gaat binnenkort op de markt komen. Daar zit dan eigenlijk biologische intelligentie in.’

Alexandre Bonvin, hoogleraar computationele structurele biologie aan de Universiteit Utrecht

‘De afgelopen paar jaar heeft zich een ware revolutie voltrokken op het gebied van het voorspellen van eiwitstructuren op basis van de aminozuursequentie. Voorheen zocht men meestal in een database van bekende eiwitstructuren naar gelijkenissen met de sequentie die men wilde voorspellen – de afgelopen twintig jaar zijn die modellen telkens in kleine stapjes beter geworden. Maar toen kwam DeepMind, een in kunstmatige intelligentie gespecialiseerd Google-bedrijf dat met hun AlphaFold-software nu de structuur van vrijwel alle bekende eiwitten kan voorspellen, met meer dan 200 miljoen eiwitmodellen. Dat is een enorme sprong. Inmiddels kan iedere bioloog of onderzoeker deze methode gebruiken via het vrij toegankelijke platform ColabFold.

‘Meer kennis over de structuur van eiwitten helpt bij het begrijpen van talloze processen in het menselijk lichaam, het bestrijden van ziekten en het ontwikkelen van bijvoorbeeld antilichamen en medicijnen. Toch moeten we ons ook bewust zijn van de beperkingen van AI. Het is nu vooral een black box, terwijl je ook de weg van sequentie naar 3D-eiwit wilt begrijpen. We moeten studenten leren over de mogelijkheden van AI, maar ze er ook kritisch naar leren kijken. Verder zal AI nooit het experimentele onderzoek vervangen, want je hebt altijd data nodig om de modellen te trainen en de voorspellingen te valideren. Maar AI is hoe dan ook een zeer krachtige, nieuwe tool in de gereedschapskist van onderzoekers waar we nog veel van mogen verwachten.’

Vera van Noort, hoogleraar computationele biologie aan de Universiteit Leiden en KU Leuven

‘Met de komst van AI kunnen we deep learning -modellen gebruiken die miljarden parameters hebben, waardoor we opeens veel grootschaligere berekeningen en betere voorspellingen kunnen doen op allerlei vlakken. Wij proberen daarmee bijvoorbeeld op basis van het genoom van een bacteriofaag te voorspellen welke bacteriestammen hij kan infecteren – heel relevant voor het bestrijden van bacteriële infecties. Ook train ik neurale netwerken om onder meer de smelttemperatuur van dna te voorspellen aan de hand van de sequentie. Het voorspellen van eiwitstructuren en eiwitinteracties is tevens door de opkomst van AI een snel ontwikkelend onderzoeksgebied.

‘Verder is er een enorme ontwikkeling gaande op het gebied van large language models , zoals ChatGPT. Door zo’n taalmodel te trainen op biomedische literatuur, kan hij informatie halen uit letterlijk miljoenen artikelen – veel meer dan een expert ooit zou kunnen lezen. Daardoor kun je bijvoorbeeld vrij snel achterhalen of geneesmiddelen, genen of eiwitten interacties met elkaar aangaan of dat patiënten met een bepaalde mutatie baat hebben bij een specifieke behandeling. Wel zijn er altijd experts nodig om de bronnen te evalueren. Bovendien zijn onderzoekers nog aan het bewijzen dat het goed werkt, dus het wordt nog niet grootschalig ingezet.’

Frank van Langevelde, hoogleraar wildlife ecology and conservation in Wageningen en mede-auteur van een perspective over machinelearning en natuurbehoud (Nature Communications, 2022)

‘De ontwikkelingen rond toepassingen van AI bij het monitoren van dieren of registreren van diergedrag in het veld gaan heel snel. Dat komt vooral door nieuwe technieken om beelden of geluiden te herkennen, waardoor het mogelijk is zonder menselijke bemoeienis vast te stellen om welke soort of geslacht het gaat of specifieke geluiden van een soort uit een signaal te filteren. Een mooi voorbeeld is ook het dit jaar gestarte internationale trainingsnetwerk WildDrone dat met autonome dronetechnologie populaties wilde dieren monitort en volgt. Het integreert kennis van robotica, computers en ecologie en kan echt een revolutie in natuurbescherming teweeg brengen. Je kunt er al individuele axisherten mee identificeren en volgen, maar dat is ook uit te breiden naar zebra’s, tijgers of luipaarden.

‘Het is voor een wetenschapper lastig om te voorspellen wat de toekomst zal brengen. Mijn persoonlijke hoop en verwachting is dat het straks ook mogelijk wordt om vergelijkbare observaties te doen met satellieten vanuit de ruimte, zonder dat je daarvoor dieren invasief van zenders of tags hoeft te voorzien. Voor deze ontwikkelingen hebben we interdisciplinaire teams nodig waarin computerexperts en ecologen nauw samenwerken. Dat blijkt best te kunnen: er zijn ook computernerds die verder kijken dan bitcoins en graag willen meewerken aan projecten met een meer algemeen maatschappelijk belang zoals natuurbescherming.’