Pessimisten hebben het maar makkelijk. Er is altijd wel een reden te verzinnen waarom iets niet zal lukken. Toch zijn er, voor wie het wil zien, ook lichtpuntjes te ontwaren tussen al die mogelijke mislukkingen. Bijvoorbeeld als het gaat over AI.

Ja, ook daar is er meer dan genoeg dat mis kan gaan, maar ik bedoel hier specifiek de inzet van AI voor drug discovery. Recentelijk verschenen in Nature meerdere nieuwsartikelen, commentaren en bijdragen van experts over de mogelijkheden die AI-methoden bieden om sneller de kansrijke leads voor therapeutische toepassingen uit de gigantische vijver van moleculaire mogelijkheden te vissen. Of die snellere ontwikkeling echt van de grond komt is overigens, nog maar de vraag want een recente inventarisatie laat zien dat de voorspellende waarde van AI-tool AlphaFold als het gaat om het identificeren van nieuwe drug leads toch niet helemaal voldoet aan de hooggespannen verwachtingen.

Maar terug naar mijn lichtpuntje. Dat zit behoorlijk indirect verstopt in dit alles. Want om de potentie van AI echt serieus te kunnen ontwikkelen en benutten en dus ook serieus te evalueren hebben we veel meer data nodig om deze systemen te trainen. Gelukkig zijn er de afgelopen decennia enorme datasets gegenereerd over de (in)activiteit, werkzaamheid en neveneffecten talloze moleculen die op een moment in beeld waren als mogelijk medicijn.

‘Deze geslotenheid kan AI mogelijk op een inventieve manier doorbreken’ 

Die data zijn vooral in handen van farmaceutische bedrijven en die staan meestal niet te springen om hun kostbare gegevens met anderen te delen. Maar deze geslotenheid kan AI mogelijk op een inventieve manier doorbreken, zo schrijft een team van biofarmaceut Amgen in Nature. Door niet zozeer de data te delen, maar toe te staan dat een AI-systeem wordt getraind om patronen te vinden met behulp van de afzonderlijke datasets van de deelnemende partijen, kunnen meerdere bedrijven wel profijt hebben van elkaars kennis zonder dat ze hun data kwijt zijn. In deze benadering, federated learning genaamd, is een onafhankelijke, derde partij verantwoordelijk voor het trainen van de AI met de data van de deelnemende bedrijven.

Dat zou toch een ongekende doorbraak zijn, dat we op deze manier de schat aan inzichten die bij de farmaceutische industrie is vergaard en grotendeels op de plank ligt te verstoffen, kunnen inzetten om het geneesmiddelenonderzoek een flinke impuls te geven. Idealiter wordt zo’n model dan ook gevoed met en beschikbaar voor publieke instellingen. Dat een technologische ontwikkeling wellicht de luiken opent in een zeer gesloten sector die echt aan vernieuwing toe is, vind ik een lichtpuntje. Geen dwang, geen regelgeving, maar de belofte van méér kennis die partijen aanzet tot samenwerking. Misschien blijkt mijn lichtpuntje een dwaallicht. Maar dan nog. Liever een hoopvol schijnsel, dan zwartgallige berusting.