Kunstmatige intelligentie helpt wetenschappers kanker op een nieuwe manier te begrijpen. Een baanbrekende samenwerking tussen DeepMind en Yale University heeft een geavanceerd AI-systeem ontwikkeld dat celgegevens op een ongekende schaal kan analyseren. Deze tool, genaamd C2S-Scale 27B, analyseert niet alleen gegevens, maar voorspelt ook hoe kankercellen kunnen reageren op verschillende behandelingen.
Deze doorbraak vertegenwoordigt een verschuiving in het kankeronderzoek van het simpelweg beschrijven van wat er met kankercellen gebeurt naar het daadwerkelijk voorspellen van hoe ze zich zullen gedragen. Het AI-model werkt door echte tumorgegevens te combineren met gesimuleerde celreacties, waardoor het kan analyseren hoe medicijnen onder verschillende omstandigheden werken. Het maakt gebruik van een techniek genaamd virtuele screening met dubbele context om duizenden potentiële medicijnen tegelijkertijd te testen in zowel in het laboratorium gekweekte cellen als tumorgegevens van patiënten.
Wat deze ontdekking bijzonder belangrijk maakt, is wat de AI heeft ontdekt: een eerder verborgen mechanisme dat ervoor zorgt dat bepaalde vormen van kanker, vooral die welke zijn geclassificeerd als ‘koude’ tumoren, aan immuundetectie kunnen ontsnappen. Deze bevinding zou kunnen leiden tot nieuwe benaderingen om het lichaam te helpen resistente kankers te herkennen en te bestrijden.
De aanpak van de AI bootst na hoe biologen denken. Het kan analyseren hoe duizenden medicijncombinaties kankercellen onder verschillende omstandigheden kunnen beïnvloeden, iets wat traditionele laboratoriumexperimenten niet efficiënt kunnen doen. Terwijl conventionele tests één variabele tegelijk onderzoeken, kan deze AI duizenden combinaties simuleren om veelbelovende behandelingen te identificeren. Volgens de onderzoekers was ongeveer 10 tot 30 procent van de geïdentificeerde medicijncombinaties nog nooit eerder onderzocht.
De AI voorspelde bijvoorbeeld dat het combineren van twee specifieke medicijnen het vermogen van het immuunsysteem om tumorcellen te herkennen aanzienlijk zou verbeteren. Toen Yale-onderzoekers deze voorspelling in het laboratorium testten, ontdekten ze dat de combinatie de immuunherkenning met ongeveer 50 procent verbeterde – veel meer dan wat beide geneesmiddelen afzonderlijk bereikten. Dit demonstreerde het vermogen van de AI om effectieve behandelmethoden te identificeren die menselijke onderzoekers mogelijk over het hoofd zouden zien.
De ontwikkeling markeert een nieuw tempo van ontdekkingen. Door genomische, proteomische en medicijnresponsgegevens te integreren, kan de AI belangrijke biologische verbanden veel sneller identificeren dan traditionele experimentele benaderingen. Deze efficiëntie zou medisch onderzoek kunnen transformeren, vergelijkbaar met hoe high-throughput sequencing twintig jaar geleden een revolutie teweegbracht in de biologie.
Deze vooruitgang maakt deel uit van een groeiende trend. Andere onderzoeksteams, waaronder die van MIT en Cellarity, hebben complementaire AI-tools ontwikkeld, zoals DrugReflector, waarmee duizenden medicijnen in verschillende celtypen kunnen worden getest. Deze gesloten-lussystemen, waarbij AI potentiële behandelingen identificeert en laboratoria deze testen, zouden de tijd die nodig is om nieuwe therapieën te ontwikkelen dramatisch kunnen verkorten.
Deskundigen benadrukken echter dat AI wordt gepositioneerd als een samenwerkingspartner en niet als vervanging voor menselijke onderzoekers. Op recente AI in Biology-conferenties erkenden wetenschappers de kracht van AI bij het omgaan met complexe gegevens, maar benadrukten ze dat menselijke onderzoekers nog steeds essentiële context en oordeel bieden. Deze systemen blinken uit in het identificeren van patronen en onverwachte verbindingen die mensen mogelijk over het hoofd zien, waardoor onderzoekers hun onderzoek kunnen richten.
Vooruitkijkend betekent deze ontwikkeling een mijlpaal in de wetenschappelijke methodologie. Voor het eerst heeft een grootschalig AI-model met succes biologische gegevens geanalyseerd om een testbare hypothese over kankerresistentie te genereren die stand hield onder laboratoriumonderzoek. Deze aanpak creëert een blauwdruk voor het versnellen van wetenschappelijke ontdekkingen op alle terreinen door virtuele experimenten mogelijk te maken die snel duizenden mogelijkheden kunnen screenen.
Belangrijke inzichten
- Nieuw paradigma: De AI verschuift het kankeronderzoek van het beschrijven van kanker naar het voorspellen van het gedrag en de kwetsbaarheden ervan.
- Efficiëntie: Het systeem kan duizenden medicijncombinaties tegelijkertijd analyseren, waardoor het ontdekkingsproces voor medicijnen enorm wordt versneld.
- Samenwerking: AI komt naar voren als een krachtige samenwerkingspartner die onderzoekers helpt hun onderzoek te focussen in plaats van menselijke wetenschappers te vervangen.
- Toekomstig potentieel: De methodologie die door deze doorbraak is gecreëerd, zou wetenschappelijke ontdekkingen in meerdere disciplines kunnen transformeren
