Door AI aangestuurd biomedisch onderzoek: van algoritmen naar het laboratorium

Inleiding

Biomedisch onderzoek wordt van oudsher geassocieerd met laboratoria, microscopen, klinische observaties en zorgvuldig gecontroleerde experimenten. Tegenwoordig is er een andere omgeving die net zo belangrijk is geworden: de digitale wereld. Enorme datasets, kunstmatige intelligentie (AI), machine learning en steeds geavanceerdere rekenmodellen veranderen de manier waarop onderzoekers de menselijke biologie bestuderen.

Moderne laboratoria kunnen enorme hoeveelheden informatie genereren. Genoomsequencing, medische beeldvorming, moleculaire screening, elektronische patiëntendossiers, draagbare apparaten en geautomatiseerde laboratoriumapparatuur dragen allemaal bij aan een groeiend ecosysteem van wetenschappelijke gegevens. De uitdaging ligt niet langer alleen in het verzamelen van informatie. Onderzoekers moeten bepalen hoe ze deze informatie effectief kunnen ordenen, analyseren en interpreteren.

Dit is waar AI een belangrijke rol begint te spelen.

In plaats van conventioneel biomedisch onderzoek te vervangen, kan kunstmatige intelligentie dit juist aanvullen. Algoritmen kunnen miljoenen waarnemingen onderzoeken, statistische patronen identificeren en onderzoekers helpen beslissen welke hypothesen nader experimenteel onderzoek verdienen. Het resultaat is een steeds meer verbonden onderzoeksomgeving waarin informatica en laboratoriumwetenschap samenwerken.

Waarom biomedisch onderzoek steeds meer datagestuurd wordt

Wetenschappelijk onderzoek is altijd afhankelijk geweest van gegevens, maar de omvang van moderne biomedische informatie verschilt fundamenteel van de gegevens waarmee onderzoekers enkele decennia geleden werkten.

Eén enkel modern experiment kan duizenden of miljoenen metingen opleveren. Genomische studies kunnen variaties binnen hele populaties analyseren. Ziekenhuizen verzamelen uitgebreide klinische dossiers, terwijl beeldvormingstechnologieën gedetailleerde digitale weergaven van het menselijk lichaam genereren.

Onderzoekers kunnen ook continu informatie verzamelen via draagbare technologieën. Hartslag, slaap, fysieke activiteit, temperatuur en andere variabelen kunnen mogelijk gedurende lange perioden worden gemonitord.

Afzonderlijk leveren deze datasets nuttige informatie op. Door ze te combineren ontstaat er een aanzienlijk grotere complexiteit.

Traditionele statistische methoden blijven essentieel, maar AI en machine learning bieden aanvullende manieren om verbanden in grote datasets te onderzoeken. Onderzoekers kunnen computationele modellen gebruiken om patronen te identificeren die anders verborgen zouden blijven tussen miljoenen waarnemingen.

Machine learning als wetenschappelijk hulpmiddel

Machine learning is een van de belangrijkste technologieën achter modern, door AI aangestuurd onderzoek.

In plaats van een computer te programmeren met vaste instructies voor elk mogelijk scenario, kunnen onderzoekers machine learning-modellen trainen met behulp van bestaande datasets. Het systeem leert statistische verbanden binnen de informatie en kan vervolgens uitkomsten voor nieuwe gegevens classificeren of schatten.

In de biomedische wetenschap hebben deze methoden talrijke potentiële toepassingen.

Algoritmen kunnen medische beelden analyseren, moleculaire structuren classificeren, genetische variaties onderzoeken en laboratoriummetingen vergelijken. Ze kunnen onderzoekers ook helpen bij het identificeren van groepen patiënten of experimentele monsters die bepaalde kenmerken gemeen hebben.

Machine learning bepaalt echter niet automatisch waarom een biologisch verband bestaat.

Als een algoritme een verband ontdekt tussen een biomarker en een gezondheidsuitkomst, moeten wetenschappers nog steeds het onderliggende biologische mechanisme onderzoeken. Computergestuurde analyse kan veelbelovende hypothesen opleveren, maar laboratoriumexperimenten en goed opgezette klinische studies blijven essentieel om deze te toetsen.

Van computervoorspellingen naar laboratoriumexperimenten

Een van de meest interessante ontwikkelingen in het biomedisch onderzoek is de steeds nauwere relatie tussen computationele voorspellingen en fysieke experimenten.

Traditioneel ontwikkelden onderzoekers een hypothese en ontwierpen ze vervolgens laboratoriumexperimenten om deze te onderzoeken. AI voegt een extra fase toe aan dit proces.

Wetenschappers kunnen eerst grote bestaande datasets analyseren en computationele modellen gebruiken om mogelijke verbanden te identificeren. Die voorspellingen kunnen vervolgens als leidraad dienen voor laboratoriumexperimenten.

Stel je voor dat onderzoekers een biologische receptor bestuderen die betrokken is bij een bepaald cellulair proces. Bij computationele screening kunnen duizenden moleculaire structuren worden onderzocht en kan worden ingeschat welke verbindingen het meest waarschijnlijk een interactie aangaan met de receptor.

In plaats van elke kandidaat onmiddellijk fysiek te screenen, kunnen onderzoekers een kleinere groep prioriteren voor laboratoriumonderzoek.

Experimentele resultaten kunnen vervolgens worden teruggekoppeld naar het computationele model, waardoor een feedbacklus ontstaat:

Gegevens → Algoritme → Voorspelling → Experiment → Nieuwe gegevens

Deze cyclus zou wel eens een van de kenmerkende eigenschappen van toekomstige biomedische laboratoria kunnen worden.

AI en geneesmiddelenontwikkeling

Geneesmiddelenontwikkeling leent zich bij uitstek voor datagestuurd onderzoek, omdat het aantal theoretisch mogelijke moleculen enorm is.

Onderzoekers kunnen niet elke potentiële verbinding experimenteel onderzoeken. Rekenkundige technieken kunnen daarom helpen de zoektocht te verfijnen.

AI-systemen kunnen moleculaire structuren, chemische eigenschappen en bestaande biologische gegevens analyseren om kandidaten te identificeren die nader onderzoek verdienen. Sommige modellen kunnen eigenschappen zoals moleculaire interacties of potentiële toxiciteit inschatten voordat onderzoekers overgaan tot duurdere experimentele fasen.

Dit betekent niet dat een algoritme zomaar een ‘geneesmiddel kan uitvinden’ en het klaar kan maken voor klinisch gebruik.

Door computers gegenereerde voorspellingen vereisen uitgebreide validatie. Onderzoekers moeten de farmacologie, toxiciteit, het metabolisme, de dosering, interacties en talrijke andere variabelen onderzoeken. Veelbelovende verbindingen kunnen nog steeds falen tijdens laboratorium-, dier- of klinisch onderzoek.

De waarde van AI ligt vooral in het helpen van wetenschappers om efficiënter door een enorme zoekruimte te navigeren.

Het groeiende digitale landschap rond onderzoeksverbindingen

Wetenschappelijke informatie is niet langer beperkt tot wetenschappelijke tijdschriften en universiteitsbibliotheken. Dankzij zoekmachines, online databases, digitale gemeenschappen en commerciële websites is informatie over experimentele en prestatiegerelateerde verbindingen voor het publiek veel toegankelijker geworden.

Dit bredere digitale ecosysteem omvat platforms zoals Dutch Sarms, wat wijst op een groeiend publiek bewustzijn van categorieën verbindingen die ook worden besproken in de context van farmacologisch en prestatiegericht onderzoek. Online beschikbaarheid en wetenschappelijk bewijs zijn echter fundamenteel verschillende zaken. Het feit dat een verbinding op grote schaal wordt besproken of commercieel verkrijgbaar is, betekent niet dat de klinische veiligheid, effectiviteit of wettelijke goedkeuring ervan is aangetoond.

AI kan onderzoekers en lezers uiteindelijk helpen hun weg te vinden in deze groeiende informatieomgeving door wetenschappelijke literatuur te ordenen, tegenstrijdige bevindingen te identificeren en verschillende bewijsniveaus te onderscheiden.

Dat zou steeds belangrijker kunnen worden naarmate de hoeveelheid online beschikbare biomedische informatie blijft toenemen.

Biomarkers en voorspellende analyses

Biomarkers zijn meetbare biologische kenmerken die informatie kunnen verschaffen over fysiologische processen.

Voorbeelden hiervan zijn hormoonconcentraties, eiwitten, enzymen, genetische markers en talrijke metingen die via bloed- of weefselanalyse worden verkregen.

Traditioneel onderzochten onderzoekers meestal een relatief klein aantal biomarkers tegelijk. Met moderne laboratoriumtechnologieën kunnen er honderden of zelfs duizenden worden gemeten.

Machine learning kan helpen bij het identificeren van combinaties van markers die lijken te corresponderen met bepaalde biologische toestanden.

In plaats van te vragen of één meting een uitkomst voorspelt, kunnen onderzoekers onderzoeken of een complex patroon met veel metingen nuttige informatie oplevert.

Deze aanpak is met name relevant voor gebieden zoals metabolisch onderzoek, cardiovasculaire wetenschap, oncologie en endocrinologie.

AI en hormonaal onderzoek

Hormoonsystemen laten zien waarom biologisch onderzoek computationeel uitdagend kan zijn.

Hormonen werken zelden onafhankelijk van elkaar. Ze staan in wisselwerking via complexe feedbackmechanismen waarbij receptoren, organen, enzymen en signaalroutes betrokken zijn. Leeftijd, genetica, slaap, voeding, medicatie en talrijke omgevingsfactoren kunnen deze systemen verder beïnvloeden.

Dankzij grote datasets kunnen onderzoekers deze verbanden binnen grotere populaties onderzoeken.

Een voorbeeld van een verbinding die in de endocriene en farmacologische literatuur voorkomt, is enclomifeen, dat is onderzocht op zijn effecten op de hypothalamus-hypofyse-gonadale as en op testosterongerelateerde uitkomsten bij mannen met secundair hypogonadisme. Datagestuurde analyse kan onderzoekers helpen metingen tussen verschillende studies te vergelijken en vraagstukken voor verder onderzoek te identificeren, maar conclusies over klinisch gebruik blijven afhankelijk van goed opgezette onderzoeken en beoordeling door regelgevende instanties.

Dit onderscheid illustreert een belangrijk principe van AI-gestuurde geneeskunde: computationele analyse kan patronen aan het licht brengen, maar die patronen vereisen nog steeds biologische interpretatie en klinische validatie.

Genomica creëert een nieuwe schaal van gegevens

Er zijn maar weinig gebieden die de omvang van biomedische gegevens beter illustreren dan de genomica.

Het menselijk genoom bevat miljarden DNA-basenparen. Wanneer onderzoekers genetische informatie van duizenden of miljoenen mensen analyseren, ontstaan er enorme datasets.

AI kan wetenschappers helpen verbanden te onderzoeken tussen genetische variaties en biologische kenmerken.

Onderzoekers kunnen genomische informatie combineren met laboratoriummetingen, medische geschiedenis en omgevingsgegevens om gedetailleerdere ziektemodellen te ontwikkelen.

Dit draagt bij aan de bredere ontwikkeling van precisiegeneeskunde.

In plaats van ervan uit te gaan dat elke persoon met dezelfde diagnose een identieke biologie heeft, streeft precisiegeneeskunde ernaar de verschillen tussen patiënten te begrijpen en hoe die verschillen van invloed kunnen zijn op preventie, diagnose of behandeling.

AI biedt tools waarmee veel van deze variabelen tegelijkertijd kunnen worden geanalyseerd.

Medische beeldvorming en computervisie

AI-gedreven onderzoek verandert ook de medische beeldvorming ingrijpend.

Röntgenfoto’s, CT-scans, MRI-scans en pathologische preparaten bevatten enorme hoeveelheden visuele informatie. Computervisiesystemen kunnen worden getraind om patronen in deze beelden te herkennen.

Onderzoekers onderzoeken of dergelijke systemen kunnen helpen bij het identificeren van afwijkingen, het kwantificeren van anatomische kenmerken of het detecteren van subtiele patronen die verband houden met ziekte.

Een algoritme kan verdachte gebieden in een beeld markeren, waardoor een specialist die gebieden nader kan onderzoeken.

De meest praktische toekomst ligt daarom wellicht in samenwerking tussen mensen en AI.

Algoritmen kunnen snel enorme aantallen beelden verwerken, terwijl opgeleide medische professionals de klinische context bieden, ongebruikelijke bevindingen beoordelen en beslissingen nemen die een breder oordeel vereisen.

Draagbare apparaten en continue biologische gegevens

Biomedische datasets vinden ook steeds vaker buiten ziekenhuizen en laboratoria hun weg.

Smartwatches, fitnesstrackers en gespecialiseerde draagbare sensoren kunnen een continue stroom aan informatie genereren over fysieke activiteit en fysiologische variabelen.

Traditionele klinische metingen bieden vaak slechts een momentopname. Zo kan bij een patiënt bijvoorbeeld tijdens een afspraak de hartslag of bloeddruk worden gemeten.

Draagbare apparaten kunnen mogelijk longitudinale informatie opleveren die weken, maanden of zelfs jaren bestrijkt.

Voor onderzoekers biedt dit mogelijkheden om te onderzoeken hoe de fysiologie in de loop van de tijd verandert.

AI kan deze continue datasets analyseren en zoeken naar trends die handmatig wellicht moeilijk te herkennen zijn. In een onderzoeksomgeving kan informatie van wearables uiteindelijk worden gecombineerd met laboratoriumbiomarkers, medische dossiers en genomische informatie.

Het resultaat zou een veel gedetailleerder beeld van de menselijke fysiologie kunnen zijn.

Automatisering en het slimme laboratorium

AI-gestuurd biomedisch onderzoek beperkt zich niet tot software.

Fysieke laboratoria worden steeds verder geautomatiseerd.

Robotsystemen kunnen repetitieve taken uitvoeren, zoals het hanteren van vloeistoffen, het voorbereiden van monsters en high-throughput screening. Aangesloten laboratoriuminstrumenten kunnen automatisch experimentele metingen registreren en deze overbrengen naar gecentraliseerde databases.

AI kan die resultaten vervolgens analyseren.

In geavanceerde onderzoeksomgevingen kan een geautomatiseerd systeem experimenten uitvoeren, metingen vastleggen en computationele analyses gebruiken om te bepalen welke experimentele omstandigheden vervolgens moeten worden getest.

Wetenschappers blijven verantwoordelijk voor het opstellen van de onderzoeksdoelstellingen en het interpreteren van de bevindingen, maar automatisering kan de experimentele doorvoer aanzienlijk verhogen.

Het laboratorium wordt daardoor zowel een fysieke als een digitale omgeving.

Het probleem van slechte gegevens

De snelle groei van AI doet niets af aan een van de oudste principes van de wetenschap: input van slechte kwaliteit leidt tot onbetrouwbare conclusies.

Biomedische datasets kunnen ontbrekende metingen, onjuiste labels, inconsistente verzamelmethoden en vertekeningen in de steekproeven bevatten.

Een algoritme dat is getraind op basis van gebrekkige informatie kan eveneens gebrekkige resultaten opleveren.

Onderzoekers moeten daarom zorgvuldig nagaan hoe datasets zijn verzameld en of ze de onderzochte populatie adequaat vertegenwoordigen.

Externe validatie is bijzonder belangrijk.

Een model dat goed presteert met gegevens van één ziekenhuis, laboratorium of populatie, kan elders anders presteren.

AI-systemen moeten daarom worden getest met behulp van onafhankelijke datasets voordat onderzoekers ervan uitgaan dat hun bevindingen kunnen worden gegeneraliseerd.

Privacy en ethiek

Biomedische AI roept ook belangrijke ethische vragen op.

Medische dossiers, genetische informatie en gegevens uit continue gezondheidsmonitoring kunnen uiterst gevoelig zijn.

Onderzoekers en zorginstellingen moeten deze informatie beschermen door middel van passende beveiligings-, bestuurs- en privacyprocedures.

Een ander punt van zorg betreft transparantie.

Sommige geavanceerde AI-systemen kunnen voorspellingen genereren zonder een eenvoudige uitleg te geven over hoe ze tot die voorspellingen zijn gekomen. Dit kan problemen opleveren wanneer algoritmen medisch onderzoek of klinische beslissingen beïnvloeden.

Wetenschappers doen daarom steeds meer onderzoek naar ‘verklaarbare AI’ – methoden die zijn ontworpen om computationele redeneringen begrijpelijker te maken voor onderzoekers en zorgprofessionals.

Wetenschappers blijven onmisbaar

Ondanks de buitengewone vooruitgang op het gebied van kunstmatige intelligentie kan de biomedische wetenschap niet zomaar van begin tot eind worden geautomatiseerd.

Algoritmen herkennen wiskundige patronen. Wetenschappers bepalen of die patronen een biologische betekenis hebben.

Onderzoekers formuleren hypothesen, ontwerpen experimenten, identificeren verstorende factoren en evalueren onverwachte resultaten. Clinici interpreteren bevindingen binnen de bredere context van individuele patiënten.

Menselijk oordeel is ook essentieel voor ethische beslissingen.

De meest realistische toekomst is daarom niet dat AI wetenschappers vervangt. Het is dat wetenschappers steeds krachtigere computersystemen gebruiken om vraagstukken te onderzoeken die anders te complex of te gegevensintensief zouden zijn.

Het laboratorium van de toekomst

De grens tussen informatica en biomedische wetenschap wordt steeds moeilijker te definiëren.

Toekomstige laboratoria zullen wellicht robotica, genoomsequencing, geautomatiseerde microscopie, onderling verbonden instrumenten, elektronische onderzoeksdossiers en systemen voor machine learning combineren binnen één enkele onderzoeksomgeving.

Experimenten zullen automatisch gegevens genereren. Algoritmen zullen die informatie analyseren en mogelijke patronen identificeren. Onderzoekers zullen die bevindingen gebruiken om de volgende experimenten te ontwerpen.

Deze voortdurende interactie tussen algoritmen en laboratoriumwetenschap zou bepaalde gebieden van biomedische ontdekkingen aanzienlijk kunnen versnellen.

Toch blijven de fundamentele principes van de wetenschap onveranderd.

Voorspellingen moeten worden getoetst. Resultaten moeten worden gerepliceerd. Correlaties moeten zorgvuldig worden geïnterpreteerd. Medische ingrepen vereisen passend bewijs.

AI en big data bieden onderzoekers buitengewoon krachtige hulpmiddelen, maar hun wetenschappelijke waarde hangt uiteindelijk af van hoe verantwoord die hulpmiddelen worden ingezet.

De opkomst van AI-gedreven biomedisch onderzoek is daarom niet simpelweg een verhaal over snellere computers. Het vertegenwoordigt een bredere transformatie in de manier waarop wetenschappers de biologie onderzoeken – van geïsoleerde experimenten naar onderling verbonden systemen waarin laboratoriummetingen, digitale informatie en computationele modellen elkaar voortdurend aanvullen.

In die omgeving kunnen algoritmen helpen bepalen waar onderzoekers vervolgens naar moeten kijken, maar het is aan rigoureus wetenschappelijk onderzoek om te bepalen wat het bewijs daadwerkelijk betekent.