In een belangrijke doorbraak voor medisch onderzoek hebben wetenschappers van Google DeepMind en Yale University een nieuwe AI gebruikt om een potentieel traject voor kankertherapie te ontdekken. Het model met 27 miljard parameters, C2S-Scale 27B genaamd, werd op 15 oktober 2025 onthuld.
Het analyseerde gegevens van eencellige cellen om een nieuwe hypothese te vormen: een specifiek medicijn zou het vermogen van het immuunsysteem kunnen versterken om zich op anders ‘onzichtbare’ tumoren te richten. Onderzoekers hebben deze door AI gegenereerde voorspelling vervolgens met succes gevalideerd in laboratoriumexperimenten.
Dit succes markeert een cruciaal moment voor “AI for Science.” Het laat zien dat grote modellen niet alleen informatie kunnen verwerken, maar ook originele, toetsbare ideeën kunnen genereren. Dit zou de ontwikkeling van nieuwe medische behandelingen kunnen versnellen en de manier waarop biologisch onderzoek wordt uitgevoerd veranderen.
Van virtueel scherm naar gevalideerde ontdekking
Een centrale uitdaging bij immunotherapie tegen kanker is dat veel tumoren ‘koud’ zijn – feitelijk onzichtbaar voor het immuunsysteem van het lichaam. Een belangrijke strategie is om ze’hot’te maken door ze te dwingen immuun-triggerende signalen weer te geven via een proces dat antigeenpresentatie wordt genoemd.
Om een manier te vinden om dit te doen, hebben onderzoekers C2S-Scale 27B de opdracht gegeven een zeer specifieke missie uit te voeren. Ze ontwierpen een “virtueel scherm met dubbele context” om een medicijn te vinden dat fungeert als een voorwaardelijke versterker, de effecten simuleert van meer dan 4.000 medicijnen.
De De ‘dual-context’-benadering was van cruciaal belang. Het model moest een medicijn vinden dat alleen effectief was in een patiëntrelevante setting met immuunsignalen, maar ineffectief in een geïsoleerde laboratoriumcontext. Deze precisie vereiste een geavanceerd niveau van conditioneel redeneren.
De topkandidaat van de AI was silmitasertib (CX-4945). Het model voorspelde dat het de antigeenpresentatie sterk zou verhogen in de doelcontext, maar verder weinig effect zou hebben. Dit was een nieuwe hypothese, omdat er niet eerder een verband met dit specifieke mechanisme was gerapporteerd.
Om de voorspelling te testen, bracht het team de hypothese van de computer naar het laboratorium. Ze gebruikten menselijke neuro-endocriene celmodellen – een celtype dat de AI tijdens zijn training nog nooit was tegengekomen. De resultaten waren een verbluffende bevestiging van de hypothese van het model.
Deze stap, die gaat van een computervoorspelling (in silico) naar een laboratoriumtest (in vitro), is de gouden standaard voor het valideren van AI-gestuurde biologische hypothesen. De experimenten toonden aan dat, hoewel het medicijn of de lage dosis interferon alleen weinig effect had, de combinatie ervan een duidelijke, synergetische versterking produceerde.
Schaalwetten en het begin van de generatieve biologie
De prestatie van Google levert krachtig bewijs voor de theorie van’schaalwetten’in de biologie. Het concept, dat de recente explosie van grote taalmodellen heeft aangewakkerd, stelt dat naarmate modellen groter worden, ze niet alleen verbeteren, maar ook geheel nieuwe, opkomende capaciteiten kunnen verwerven.
Opkomende capaciteiten zijn vaardigheden die niet expliciet zijn geprogrammeerd, maar verschijnen naarmate een model in omvang en complexiteit groeit. Voor C2S-Scale betekende dit dat het de voorwaardelijke redenering kon uitvoeren die nodig was om de ‘als-dan’-logica van de immuuncontext te begrijpen – een taak die kleinere modellen was ontgaan.
Het C2S-Scale-model, gebouwd op de open Gemma 2-architectuur van Google, demonstreerde dit door een toetsbaar wetenschappelijk idee te genereren. Zoals Shekoofeh Azizi van Google DeepMind uitlegde: “Dit resultaat biedt ook een blauwdruk voor een nieuw soort biologische ontdekking.”
Dit vertegenwoordigt een fundamentele verschuiving van AI als louter een hulpmiddel voor gegevensanalyse naar een creatieve partner bij wetenschappelijke ontdekkingen. Het succes van het model suggereert een toekomst waarin AI enorme virtuele schermen kan aansturen om complexe, contextafhankelijke biologische mechanismen bloot te leggen.
De nieuwe aanpak zou het pad van aanvankelijk onderzoek naar levensvatbare therapeutische aanknopingspunten dramatisch kunnen verkorten. Het team verklaarde dat het bewijst dat grotere modellen “voorspellende modellen van cellulair gedrag kunnen creëren die krachtig genoeg zijn om… biologisch gefundeerde hypothesen te genereren”.
Een nieuw hulpmiddel in het open ecosysteem van ‘AI for Science’
Het C2S-Scale 27B-project maakt deel uit van een bredere industriële trend richting het creëren van gespecialiseerde AI voor wetenschappelijke domeinen. Google heeft zijn ‘Gemmaverse’ actief uitgebouwd met modellen als TxGemma voor het ontdekken van medicijnen. Dit weerspiegelt een strategie die is gericht op gerichte toepassingen met een hoge impact.
Microsoft streeft een soortgelijk “AI for Science”-initiatief na, waarbij tools als BiomedParse worden vrijgegeven voor analyse van medische beelden en een model voor het detecteren van afwijkingen voor het opsporen van borstkanker. De parallelle inspanningen onderstrepen een strategische spil in de sector.
In overeenstemming met de geest van open wetenschap hebben Google en Yale het C2S-Scale 27B-model, de onderliggende code en het onderzoekspaper openbaar gemaakt op platforms als Gezicht knuffelen en GitHub. Hierdoor kan de mondiale onderzoeksgemeenschap voortbouwen op hun werk.
Deze open benadering is cruciaal voor wetenschappelijke validatie. Door de tools vrij te geven nodigen Google en Yale uit tot onderzoek en samenwerking, waardoor andere onderzoekers hun bevindingen kunnen repliceren en nieuwe hypothesen kunnen onderzoeken. Het bevordert een transparantere onderzoeksomgeving.
Hoewel deze ontdekking een mijlpaal is, is de weg naar klinische toepassing lang. AI in de geneeskunde wordt geconfronteerd met aanzienlijke hindernissen, van het garanderen van betrouwbaarheid in de echte wereld tot het navigeren door de complexe ethiek van de privacy van patiëntgegevens, een zorg die wordt benadrukt door andere grootschalige AI’s in de gezondheidszorg.
Zoals professor Moritz Gerstung van de DKFZ opmerkte over een soortgelijk voorspellend model:”generatieve modellen zoals de onze zouden op een dag kunnen helpen de zorg te personaliseren en op schaal te anticiperen op gezondheidszorgbehoeften.”Door van pure voorspelling naar gevalideerde ontdekking te gaan, brengt dit werk die visie een cruciale stap dichter bij de werkelijkheid.
