AI record: Covid-19 antistoffen in 5 dagen
AI record: Covid-19 antistoffen in 5 dagen
Een AI multi-agent systeem van Stanford heeft als een team van specialistische onderzoekers gewerkt om onderzoek te doen naar Covid-19 antistoffen. Deze agents stellen samen hypotheses op, toetsen ze en sturen ze bij. Een AI multi-agent systeem (MAS) is een platform waarin meerdere gespecialiseerde AI-modules tegelijk werken aan één onderzoeksvraag. Stanford Medicine bouwde zo’n systeem als digitaal laboratorium, een virtuele werkruimte waar experimenten digitaal draaien. De AI-principal investigator, oftewel de AI-hoofdonderzoeker, coördineert alle taken en zet de onderzoekslijnen uit.
Onder deze leiding acteren immunologie-agents, immunologie bestudeert hoe ons immuunsysteem ons beschermt, computationele biologie-agents, die wiskundige modellen toepassen op biologische processen, en machine learning-agents, die statistische patroonherkenning uit grote datasets mogelijk maken. Iedere agent levert input en vraagt zo nodig extra software aan, zoals AlphaFold, een AI-tool voor eiwitstructuurvoorspelling.
In een paar klikken roepen de agents elkaar bijeen in virtuele meetings. Hypothesen worden in seconden besproken, parallel geëvalueerd en direct bijgesteld door een criticus-agent die gaten in redeneringen aankaart. Zo ontstaat een zelfregulerende cyclus waarin mens en machine naadloos samenwerken.
Hoe de digitale pitstop verliep
Traditioneel kost het weken tot maanden om antistofkandidaten te ontwerpen. Het MAS leverde in vijf dagen een strategie en tientallen moleculaire ontwerpen. Dankzij parallelle planning en voortdurende toetsing konden onderzoekers in het fysieke lab meteen aan de slag met 92 nanobodies, kleine eiwitten die de functie van antilichamen nabootsen en binden aan het spike-eiwit van SARS-CoV-2.
Vergelijk het met een Formule 1 pitstop, maar dan voor moleculair design: banden wisselen, tanken en snelle checks gebeuren simultaan. Terwijl een traditioneel team talent, apparatuur en tijd nodig heeft, draait het digitale lab dag en nacht zonder pauzes. Twee van de 92 nanobodies bewezen zelfs effectief te zijn tegen nieuwe virusvarianten.
Waarschuwingen bij autonome aanbevelingen
Net zo snel als een MAS ideeën genereert, kunnen aanbevelingen afglijden onder wat performance drift wordt genoemd, de geleidelijke afname van een AI-model dankzij verouderende data. Onderzoekers van Lawrence Livermore National Laboratory (LLNL) zagen dat na verloop van tijd de betrouwbaarheid van optimalisaties daalde zonder voortdurende menselijke validatie.
Die waarschuwing onderstreept de noodzaak van onafhankelijke controle die afwijkende voorstellen blokkeert en in lijn brengt met klinische standaarden. Blind vertrouwen in algoritmische convergentie kan leiden tot nieuwe routes die logisch lijken maar klinisch onhaalbaar zijn.
Agents plus mensen in balans
De grote vraag: maken we onderzoekers overbodig of winnen we aan scherpte? De casus van Stanford en LLNL laten zien dat mensen de onderzoeksvraag blijven formuleren, kaders zetten en in de laatste fase voorstellen valideren. De échte kracht schuilt niet in solo’s van AI of mens, maar in harmonie tussen digitale snelheid en menselijke controle.
