Laatst bijgewerkt op november 11, 2025 door Ecologisch leven
Wat gebeurt er als we menselijke nieuwsgierigheid koppelen aan machinaal redeneren? Recent onderzoek suggereert dat we een tijdperk van echte samenwerking tussen mensen en kunstmatige intelligentie.
In twee recente onderzoeken bleek een gespecialiseerd AI-systeem ontwikkeld door Google LLC niet alleen assist onderzoek - het opereerde als een echte partner in het ontdekkingsproces. In één geval stelde het kandidaat-geneesmiddelen voor die een anti-fibrotische werking vertoonden in een laboratoriummodel van chronische leverziekte. In een ander geval ontdekte het onafhankelijk een biologisch mechanisme van bacteriële genoverdracht waar menselijke wetenschappers jaren over hadden gedaan om het te ontcijferen.
Waarom zijn we bij Ecologica.life geïnteresseerd in een dergelijke ontwikkeling, vooral op het gebied van AI? Nou, het wijst op een potentiële paradigmaverschuiving: samenwerking tussen mens en AI in de biowetenschappen, met gevolgen voor de geneeskunde, ecologie, biotechnologie en nog veel meer.
In dit artikel onderzoeken we wat de grenzen zijn van traditioneel onderzoek en ontdekkingen, en met welke uitdagingen moderne onderzoekers worden geconfronteerd als ze de grenzen van wetenschappelijke kennis verleggen. Vervolgens kijken we naar twee casestudies over hoe AI onderzoekers heeft geholpen en wat de implicaties hiervan zijn voor andere gebieden. Tot slot bespreken we de uitdagingen en ethische overwegingen bij het gebruik van AI in onderzoek. Ik wens u net zoveel leesplezier als ik bij het schrijven!
Inhoudsopgave
Het probleem: de grenzen van traditionele ontdekkingen
De biomedische wetenschap wordt zo groot en complex dat het voor menselijke teams alleen steeds moeilijker wordt om ermee te werken. De hoeveelheid gepubliceerde literatuur, de diversiteit aan datatypes en de disciplineoverschrijdende eisen zorgen allemaal voor aanzienlijke knelpunten:
- Neem bijvoorbeeld het ontdekken van medicijnen: veel aandoeningen - zoals leverfibrose - zijn niet effectief te behandelen omdat de huidige modellen de menselijke fysiologie niet goed nabootsen.
- Of denk aan microbiële evolutie: het mechanisme waarmee genetische elementen zich tussen soorten verplaatsen kan verborgen zijn in lagen van moleculaire biologie, waardoor jaren van nauwgezet experimenteel werk nodig zijn om het te onthullen.
Kortom: menselijke wetenschappers dragen nog steeds de zware last van creativiteit, intuïtie en experimenteren - maar de enorme schaal waarop moderne biologie onderling verbonden is, maakt baanbrekend onderzoek tot een enorme uitdaging.
Deze uitdagingen verklaren waarom onderzoekers zich steeds meer tot AI wenden, niet alleen als een hulpmiddel, maar als een meedenkende partner kunnen helpen bij het decoderen van biologische complexiteit.
Hoogtepunt van onderzoek: Wat de AI deed
Om te testen of AI kan redeneren als een wetenschapper, ontwikkelde het onderzoeksteam van Google een samenwerkingssysteem op basis van hun Gemini 2.0-model - en de resultaten waren opmerkelijk.
De volgende twee casestudies illustreren hoe de AI ‘co-wetenschapper’ werkte.
1. Leverfibrose aanpakken
In een onderzoek gepubliceerd in Gevorderde wetenschap, vroegen onderzoekers het Google AI-systeem om het volgende te verkennen epigenomische mechanismen in leverfibrose - namelijk hoe chemische veranderingen in de genregulatie (niet veranderingen in de DNA-sequentie zelf) therapeutische doelen zouden kunnen zijn.
Het AI-systeem wordt beschreven als een multi-agent opzet gebouwd bovenop het gemini 2.0 large language model (LLM), waarbij verschillende agenten (Generation Agent, Reflection Agent, Ranking Agent, Evolution Agent en Meta-review Agent) samenwerken binnen een scientist-in-the-loop model.
Voor het leverproject:
- De menselijke onderzoekers gaven een aanwijzing: gebied (epigenomische effecten in leverfibrose) + experimentele methoden (gebruik van leverorganoïden).
- De AI stelde drie klassen van epigenomische regulatoren voor als veelbelovende medicijndoelen: histon deacetylases (HDAC's), DNA methyltransferase 1 (DNMT1) en bromodomein proteïne 4 (BRD4).
- Experimentele tests in menselijke leverorganoïden (3D-stamcelafgeleide minilevers) toonden aan dat HDAC-remmers en BRD4-remmers sterke antifibrotische effecten hadden. Een van de verbindingen, Vorinostat (al goedgekeurd door de FDA voor kanker), onderdrukte fibrose en stimuleerde de groei van gezonde levercellen.
- Interessant is dat twee andere doelwitten voor geneesmiddelen die door menselijke onderzoekers waren gekozen (op basis van uitgebreidere eerdere literatuur) wel niet fibrose in hetzelfde model te verminderen - wat suggereert dat de AI aanknopingspunten vond die menselijke onderzoekers over het hoofd hadden gezien.
2. Het ontrafelen van een microbieel mysterie
In een tweede demonstratie, gepubliceerd in Cel, de AI onderzocht hoe identieke faag-induceerbare chromosomale eilanden (cf-PICI's)1 komen voor bij verschillende bacteriesoorten - ondanks het feit dat de fagen die ze gebruiken voor mobilisatie meestal slechts een klein gastheerbereik infecteren.
Na tien jaar werk hadden mensen het mechanisme opgelost (“staartpiraterij”: capsids zonder staart gevuld met DNA die andere faagstaarten kapen).
De AI kreeg alleen openbaar beschikbare gegevens voor de menselijke ontdekking. Het genereerde hypotheses; de beste suggestie was dat de cf-PICI's “capsid-tail interacties” benutten om het bereik van de gastheer te vergroten - bijna precies het door mensen bepaalde mechanisme.
Het feit dat de AI zelfstandig en snel tot deze conclusie kwam, is opvallend, omdat het een bewijs is van redeneren in plaats van alleen het matchen van patronen.
| Studie | Veld | Menselijk tijdsbestek | AI Tijdsbestek | Belangrijkste resultaat |
|---|---|---|---|---|
| Leverfibrose | Biomedisch | Lopende zoektocht naar drugs | Weken | Geïdentificeerde HDAC/BRD4-remmers met sterke effecten |
| Microbiële genoverdracht | Microbiologie | ~10 jaar | Dagen | Onafhankelijk afgeleid “staartpiraterij” mechanisme |
Implicaties: Wat dit betekent voor ecologie, gezondheid en duurzaamheid
Versnelde ontdekking
Voor gebieden als milieuwetenschap, biotechnologie en gezondheid zou het combineren van menselijk inzicht met AI-redeneringen doorbraken aanzienlijk kunnen versnellen. In plaats van jaren te wachten op proefondervindelijke iteraties, kan de tijd van idee tot experiment verkort worden door AI-ondersteunde workflows.
Disciplinaire voorsprong
Complexe problemen - zoals hoe vervuilende stoffen microbiële gemeenschappen beïnvloeden of hoe plant-microbe interacties veranderen onder klimaatstress - omvatten vaak vele domeinen. AI-systemen die literatuur scannen, hypotheses opperen en experimenten voorstellen, kunnen helpen om die hiaten te overbruggen.
Mens-AI partnerschap, geen vervanging
Belangrijk is dat de onderzoekers benadrukken dat AI het menselijk oordeel niet vervangt. De kwaliteit van openbaar beschikbare gegevens beperkt wat de AI kan doen. Bovendien zijn er nog steeds mensen nodig om te beoordelen welke aanwijzingen moeten worden nagetrokken.
Kortom, menselijke domeinkennis, creativiteit en ethiek blijven centraal staan.
Uitdagingen en ethische overwegingen
- Kwaliteit en vertekening van gegevens: De output van het systeem is slechts zo goed als de gegevens waarop het is gebaseerd. Vooringenomenheid in publicaties, onvolledige datasets of slechte experimentele documentatie kunnen de AI misleiden.
- Experimenteel validatie knelpunt: Terwijl het genereren van hypotheses snel gaat, is het testen ervan in laboratoria nog steeds traag, duur en arbeidsintensief. Prioritering blijft van cruciaal belang.
- Interpretabiliteit en transparantie: Naarmate AI meer betrokken raakt bij het genereren van hypotheses, wordt het belangrijk hoe we het redeneren kunnen controleren. Kunnen we waarom het een bepaald mechanisme of medicijn voorstelde?
- Gelijkheid en toegang: Krachtige AI-systemen kunnen de kloof vergroten tussen goed gefinancierde laboratoria en laboratoria met te weinig middelen.
- Ethisch gebruik in biowetenschappen: Als AI helpt bij het voorstellen van mechanismen in de microbiologie of genoverdracht, is toezicht nodig om ervoor te zorgen dat de risico's van tweeërlei gebruik worden overwogen (bijv. schadelijke microbiële engineering).
Invloed van kunstmatige intelligentie op het milieu
Conclusie
Het werk van Google's AI co-wetenschapper duidt op een belangrijke evolutie: een verschuiving van hulpmiddelen die wetenschappers helpen naar systemen die meewerken aan het ontdekkingsproces. Voor jullie, de lezers van Ecologica.life, betekent dit hopelijk dat de toekomst van onderzoek (en mensheid) mens plus machine zal zijn, en niet mens versus machine. Samen zouden we snellere, meer integratieve inzichten kunnen ontsluiten op een groot aantal gebieden, waaronder biowetenschap en duurzaamheid - en misschien zelfs astronomie. Stof tot nadenken: misschien stelt deze AI-revolutie ons in staat om verder dan de maan en misschien zelfs verder dan ons zonnestelsel te leven.
De vraag is nu niet of AI de wetenschap zal veranderen, maar hoe we deze verandering op een verantwoorde manier kunnen begeleiden.
Wat denk jij? Hoe zou AI-gedreven ontdekking het onderzoek kunnen veranderen waar jij om geeft en welke vragen moeten we nu stellen?
- Een klein segment van bacterieel DNA dat bacteriofaagmachines kan kapen om zichzelf tussen bacteriën te verplaatsen. Sommige PICI's, zoals cf-PICI's (“capsid-forming” PICI's), vormen hun eigen virale deeltjes en spelen een belangrijke rol in horizontale genoverdracht. ↩︎
