Onderzoekers van Insilico Medicine en Eli Lilly and Company hebben in ACS Central Science een visieartikel gepubliceerd over een volledig autonoom, door kunstmatige intelligentie gedreven model voor geneesmiddelenonderzoek en -ontwikkeling. Het artikel, getiteld “From Prompt to Drug: Toward Pharmaceutical Superintelligence”, schetst een conceptuele architectuur die doelwitidentificatie, molecuulontwerp, geautomatiseerde synthese, biologische validatie en klinische planning samenbrengt in één geïntegreerde workflow, aangestuurd door geavanceerde AI-systemen.
De auteurs beschrijven hoe generatieve AI, multimodale foundationmodellen en geautomatiseerde laboratoriumplatforms het farmaceutisch onderzoek ingrijpend veranderen. Tegelijkertijd constateren zij dat het proces van geneesmiddelenontwikkeling nog vaak versnipperd is over losse softwaretools en handmatige laboratoriumstappen. Het voorgestelde ‘prompt-to-drug’-model moet deze onderdelen samenbrengen onder één centrale AI-regisseur, die gespecialiseerde taken binnen de hele ontwikkelketen toewijst en coördineert.
Van globale vraag naar gecoördineerde uitvoering
In het geschetste systeem kan een onderzoeker starten met een brede opdracht, bijvoorbeeld het ontwikkelen van een therapie voor een specifieke ziekte. Een AI-gestuurde redeneermotor verdeelt die opdracht vervolgens over gespecialiseerde modules. Die modules identificeren relevante biologische doelwitten, ontwerpen en optimaliseren chemische structuren, voeren in vitro- en in silico-validaties uit en werken ontwikkelstrategieën uit op basis van klinische data.
Het model bestaat uit opeenvolgende, op elkaar afgestemde subsystemen die aansluiten op de bekende fasen van geneesmiddelenontwikkeling, maar zelfstandig opereren onder algoritmische aansturing.
Het artikel beschrijft ook hoe AI zich binnen de biotechnologie heeft ontwikkeld: van klassieke machine-learningtechnieken naar deep learning en transformer-gebaseerde generatieve modellen. Volgens de auteurs heeft elke technologische stap de rol van AI vergroot, onder meer bij het identificeren van doelwitten, het genereren van moleculen, het voorspellen van klinische uitkomsten en het automatiseren van laboratoria. De voorgestelde architectuur bundelt deze mogelijkheden in één systeem dat meerstapsprocessen kan plannen en zijn strategie kan aanpassen op basis van experimentele resultaten.
Modulaire opzet voor biologie, chemie en klinische ontwikkeling
Binnen het raamwerk analyseren biologie-modules grootschalige datasets, formuleren zij hypotheses en valideren zij ziekte-relevante doelwitten. Chemie-modules combineren generatieve ontwerptools, moleculaire docking, vrije-energieberekeningen en geautomatiseerde syntheseplatforms om verbindingen stapsgewijs te optimaliseren. Modules voor klinische ontwikkeling gebruiken voorspellende modellen om de kans van slagen van studies te ramen, patiëntgroepen af te bakenen en studieprotocollen op te stellen.
Een centrale redeneerlaag verbindt AI-agenten met bestaande laboratoriumapparatuur via programmeerinterfaces. Zo kan het systeem zowel nieuwe als bestaande infrastructuur aansturen.
De publicatie gaat ook in op risico’s van autonome systemen, zoals foutieve aannames (‘hallucinaties’), het doorgeven van fouten in opeenvolgende stappen en vertekeningen in trainingsdata. De auteurs pleiten daarom voor waarborgen als controleerbaarheid, menselijke toetsing bij beslissingen met grote impact en het inzetten van AI-ondersteunde studiegroepen om voorspellende modellen in de praktijk te testen. Ook bespreken zij de inzet van humanoïde robots in combinatie met menselijke supervisie om bestaande laboratoria te bedienen en continu experimenten uit te voeren.
Bestaande bouwstenen en samenwerking in de sector
Volledig zelfsturende, gesloten ontwikkelprocessen zijn voorlopig nog toekomstmuziek. Toch wijzen de onderzoekers op verschillende stappen in de keten die al in proefopstellingen zijn geautomatiseerd. Zo heeft Insilico Medicine platforms ontwikkeld voor het genereren van biologische hypothesen, het ontwerpen van moleculen en het plannen van syntheseroutes. Volgens de auteurs vormen deze technologieën belangrijke bouwstenen voor verdere integratie.
Tot slot stellen zij dat een volledig autonome geneesmiddelenontwikkeling alleen mogelijk is als universiteiten, biotechbedrijven en toezichthouders nauw samenwerken. Sectorbrede afstemming is nodig om technologieën te integreren, validatiestandaarden vast te leggen en de toepassing van AI-gestuurde onderzoeksmodellen te ondersteunen.
