De belofte én de grenzen van AI in biowetenschap
Kunstmatige intelligentie heeft de afgelopen jaren zijn veelzijdigheid ruimschoots bewezen: van wiskunde en coderen tot het beantwoorden van natuurkundige vragen. Het is zo krachtig geworden dat het zelfs dit artikel razendsnel had kunnen schrijven – al blijft het nog steeds niet in staat peer-reviews uit te voeren of experimenten in een laboratorium te ontwerpen. AI kan enorme hoeveelheden informatie in seconden doorzoeken, verwerken en samenvatten – iets wat een mens in maanden niet kan bijbenen. Daarom wordt het steeds vaker geïntegreerd in workflows over talloze sectoren heen. Maar op sommige cruciale terreinen, zoals de farmaceutische industrie, blijft scepsis overheersen. Waarom is dat zo?
|
Can we trust AI when it comes to biology?
|
De lastige realiteit van biologische data
Het eerste fundament van AI-werk in biologie is data. Maar biologische en klinische datasets zijn vaak een puinhoop: ze zijn incompleet, inconsistent, en vertonen bias – bijvoorbeeld doordat veel data afkomstig is van populaties met Europese afkomst en belangrijke genetische variaties overslaat. Dergelijke gebrekkige data maakt AI-voorspellingen kwetsbaar en onbetrouwbaar zodra ze met nieuwe situaties worden geconfronteerd.
“Black-box” modellen: Machtig maar ondoorzichtig
Veel moderne AI-architecturen werken als een zwarte doos: ze leveren correlaties en voorspellingen, maar geven geen onderliggende biologische verklaringen. Dat betekent dat onderzoekers vaak simpelweg moeten “geloven” in de output van het model, zonder precies te kunnen navragen hoe een conclusie tot stand kwam – iets wat fundamenteel is voor wetenschappelijke vooruitgang.
Hallucinaties: Het verrassende risico van AI
Een van de grootste uitdagingen komt voort uit hoe sommige AI-systemen (vooral taalmodellen) werken: ze kunnen zogenaamde hallucinaties genereren – het verzinnen van fictieve feiten, uitkomsten of referenties. In andere domeinen lijkt dit misschien onschuldig, maar in de farmaceutische wereld kan een fout model signaal doorgeven dat leidt tot kostbare en jarenlange verkeerde onderzoeksrichtingen.
Hoe ontwikkelaars deze problemen proberen op te lossen
AI-ontwikkelaars hebben verschillende strategieën bedacht om deze tekortkomingen te tackelen:
📚 Grounding door externe bronnen
Technieken zoals Retrieval-Augmented Generation (RAG) zorgen ervoor dat taalmodellen hun antwoorden baseren op gecontroleerde literatuur en bronmateriaal, waardoor de kans op verzinsels kleiner wordt.
📊 Fijnslijpen op biologische data
Door modellen te fine-tunen op hoogwaardige, domeinspecifieke datasets – zoals gedaan bij gespecialiseerde AI-modellen – leren ze beter biologische patronen en termen begrijpen, wat leidt tot betrouwbaardere antwoorden.
📈 Onzekerheidschatters
Nieuwe methoden laten zien hoeveel vertrouwen een model zelf heeft in zijn output, waardoor onderzoekers kunnen herkennen wanneer ze het antwoord beter moeten verifiëren met een experiment.
🔍 Verklaarbare AI (Explainability)
Voor bepaalde AI-toepassingen – zoals beeldanalyse bij pathologie – kunnen modellen visueel laten zien welke kenmerken in een weefselmonster hun voorspelling hebben beïnvloed, waardoor menselijke onderzoekers de redenatie kunnen begrijpen en evalueren.
De stand van vertrouwen vandaag
Hoewel AI-diagnostiek in sommige domeinen al indrukwekkende prestaties neerzet en cases zoals het voorspellen van eiwitstructuren (bijv. DeepMind’s AlphaFold) echte doorbraken hebben opgeleverd, blijft het vertrouwen in AI binnen de farmaceutische en biowetenschappelijke wereld gemengd. Sommige toepassingen werken goed, maar de adoptie van AI voor volledige biologische redenering — vooral op het niveau dat nodig is voor nieuwe therapieën — ligt nog niet op het niveau waarop industriebrede consensus ontstaat.
De toekomst: Naar betrouwbare, biologisch onderbouwde AI
De industrie is vastbesloten deze uitdagingen te overwinnen. Door AI-systemen te trainen op grootschalige, rigoureuze biologische datasets en modellen beter in staat te stellen echte redenering te leveren, groeit de hoop dat we binnen een generatie kunnen vertrouwen op AI-assistenten die niet alleen sneller zijn, maar ook werkelijk begrijpen wat biologie inhoudt.
