Biotechnologiebedrijf Muna Therapeutics ontdekt en ontwikkelt behandelingen die verwoestende neurodegeneratieve aandoeningen, waaronder de ziekte van Alzheimer en de ziekte van Parkinson, vertragen of stoppen.
Gevestigd in Het bedrijf, met vestigingen in Leuven en Kopenhagen, staat onder leiding van CEO Rita Balice-Gordon, die met Anne-Marie Demoucelle sprak over de belangrijke rol die kunstmatige intelligentie (AI) speelt in wetenschappelijk onderzoek, met name met betrekking tot de ziekte van Parkinson.
Hartelijk dank aan dr. Balice-Gordon voor haar tijd en inzichten.
*** In hoeverre speelt AI een rol in het huidige onderzoek en de huidige klinische praktijk?
AI is overal, en we gebruiken het op manieren waarvan we ons soms niet eens bewust zijn.
In klinische omgevingen wordt het bijvoorbeeld gebruikt voor het analyseren van bloedwaarden, ademhalingspatronen en ECG’s om de diagnose en het ziekteverloop beter te kunnen voorspellen. Zelfs alledaagse apparaten zoals onze telefoons en horloges kunnen tegenwoordig gedetailleerde informatie genereren over beweging, looppatroon, paslengte, snelheid en evenwicht – al deze gegevens worden door AI geanalyseerd, vaak in realtime.
In het onderzoek — ik neem Muna Therapeutics als voorbeeld, omdat ik denk dat we vrij representatief zijn — gebruiken we AI om menselijk hersenweefsel te analyseren op manieren die een paar jaar geleden nog onmogelijk waren. We onderzoeken honderdduizenden cellen, die elk tienduizenden genen op verschillende manieren tot expressie brengen. Het is alsof je één watermolecuul in een meer probeert te vinden – de datasets zijn simpelweg te omvangrijk om door één persoon te worden geanalyseerd. AI helpt ons cellen in verschillende typen te groeperen en meerdere genetische routes tegelijkertijd te analyseren, waardoor patronen aan het licht komen die het menselijk brein op eigen kracht niet kan waarnemen.
*** Kunt u ons wat meer vertellen over het innovatieve MiND-MAP-platform van Muna en hoe dit wordt gebruikt?
Een van de uitdagingen bij het ontwikkelen van geneesmiddelen is het vertalen van bevindingen uit cel- en dierproeven in het laboratorium naar daadwerkelijke werkzaamheid bij patiënten. Om deze uitdaging aan te gaan, hebben we ons MiND-MAP-platform ontwikkeld. We hebben het eerst ingezet voor de ziekte van Alzheimer en hebben het onlangs uitgebreid naar de ziekte van Parkinson.
We analyseren hersenen van overleden patiënten om inzicht te krijgen in hoe cellen reageren op ziektepathologie – bijvoorbeeld bij de ziekte van Parkinson, hoe cellen reageren op alfa-synucleïne en andere pathologische verschijnselen. We bestuderen zowel aangetaste cellen als cellen die nog geen tekenen van de ziekte vertonen.
Wat onze aanpak uniek maakt, is dat we de geografische informatie over de locatie van cellen in de hersenen behouden. Bij traditionele technieken worden vaak alle cellen samen geanalyseerd, waardoor de cruciale ruimtelijke informatie over verschillende hersengebieden verloren gaat. Ons platform behoudt deze ruimtelijke relatie tijdens de analyse van genexpressie, waardoor we inzicht krijgen in wat er gebeurt in specifieke delen van de hersenen waar neuronen degenereren, zoals de substantia nigra, het striatum en de cortex. Dit levert ons veel diepgaandere inzichten op in het ziekteverloop en mogelijke therapeutische doelwitten.
*** Hoe gebruiken onderzoekers AI om de kloof tussen laboratoriumbevindingen en ziekten bij de mens te overbruggen?
We beginnen met het analyseren van het menselijk brein om eerste inzichten te verkrijgen. Vervolgens gebruiken we op AI gebaseerde tools om grote datasets te analyseren en nieuwe inzichten te verwerven. Deze worden vervolgens getest in menselijke cellen die in kweekschalen worden gekweekt, waar we genen kunnen manipuleren om hun functie te begrijpen. Waar mogelijk valideren we de bevindingen vervolgens in diermodellen. Bij elke stap helpen AI-tools ons de resultaten te analyseren en onze hypothesen te verfijnen. We vragen ons voortdurend af: “Is het hetzelfde of anders dan bij mensen?” Deze geïntegreerde aanpak vergroot onze kansen op het ontdekken van effectieve behandelingen.
*** Heeft AI de doorlooptijd van onderzoek aanzienlijk verkort?
Absoluut. Neem bijvoorbeeld een ruimtelijke genexpressieanalyse bij de ziekte van Parkinson: tien jaar geleden was dat nog onmogelijk, en vijf jaar geleden zou het misschien nog twee jaar hebben geduurd om die analyse te voltooien, maar nu kost het slechts een fractie van die tijd. Wat vroeger maanden werk zou hebben gekost voor een heel leger aan mensen, kan nu met een paar muisklikken op een computer worden gedaan.
Toen ik nog studeerde, sequentieerden we genen met behulp van gigantische gels, waarvan het hele nacht duurde voordat ze klaar waren. Tegenwoordig kun je een gen in een machine binnen enkele minuten tot een half uur sequencen. Maar als je enorme hoeveelheden gegevens kunt verzamelen, moet je jezelf afvragen: “Hoe ga ik die analyseren en wat ga ik ermee doen?” AI en machine learning kunnen je helpen trends en patronen te herkennen in grote datasets die een menselijk brein in zijn eentje niet kan doorgronden. Deze trends en patronen kunnen worden gebruikt om hypothesen te genereren die vervolgens kunnen worden getest in dierlijke cellen, in diermodellen en in menselijke cellen, om het tempo van de ontwikkeling van geneesmiddelen te versnellen.
*** Op welke andere manieren, naast onderzoek, draagt AI bij aan de ontwikkeling van geneesmiddelen?
AI zorgt voor een revolutie in verschillende ontwikkelingsfasen. We gebruiken AI-tools om eiwitstructuren te voorspellen, potentiële doelwitten voor geneesmiddelen te identificeren en zelfs om regelgevingsdocumenten en aanvragen voor klinische proeven op te stellen. Een regelgevingsdocument dat vroeger maanden in beslag zou hebben genomen, kan nu met behulp van AI-tools in een paar weken worden gegenereerd. Bij elke stap maken we gebruik van AI en machine learning om ons werk te versnellen en onze kansen op succes te vergroten.
*** Zijn er beperkingen aan wat AI kan doen in het onderzoek naar de ziekte van Parkinson?
Ja, er zijn belangrijke beperkingen. Hoewel AI veel aspecten van het onderzoek versnelt, kan het de daadwerkelijke duur van klinische proeven niet verkorten – we hebben nog steeds tijd nodig om patiënten te behandelen en de resultaten te beoordelen. Aan de andere kant kunnen AI-tools worden ingezet om te voorspellen welke patiëntengroep er waarschijnlijk baat bij zal hebben, waardoor je uiteindelijk een meer homogene proefpopulatie krijgt en de kans op succes vergroot. We staan op het punt om de volledige impact van AI te realiseren, van idee tot medicijnkastje, maar zover zijn we nog niet helemaal.
*** Wat zijn enkele veelvoorkomende misvattingen over AI in medisch onderzoek?
Een veelvoorkomende misvatting is dat AI onbevooroordeeld is – in werkelijkheid hangt de output ervan volledig af van de kwaliteit van de invoergegevens. Een andere misvatting is dat AI het menselijk oordeel zal vervangen, maar er is echt geen vervanging voor menselijke expertise en besluitvorming. Mensen denken soms ook dat AI onfeilbaar is, maar het kan fouten maken en doet dat ook.
*** Zou AI de behoefte aan menselijke expertise in de wetenschap en de geneeskunde kunnen verminderen?
Ik denk helemaal niet dat AI het grootste risico vormt voor wetenschappers en klinisch personeel. Sterker nog, het maakt wetenschap, klinisch onderzoek en de ontwikkeling van geneesmiddelen juist veel spannender en boeiender, omdat je sneller nieuwe inzichten kunt verkrijgen en die inzichten sneller kunnen worden uitgewerkt tot concrete resultaten. Ik ben ervan overtuigd dat AI zal leiden – en nu al heeft geleid – tot betere besluitvorming op onderzoeksniveau, bij de ontdekking en ontwikkeling van geneesmiddelen en op het gebied van klinische behandelingen.
De echte uitdagingen liggen elders – er is momenteel minder maatschappelijke waardering voor de wetenschap en wetenschappers, en de uitoefening van de geneeskunde is veranderd als gevolg van infrastructurele en economische factoren. Deze kwesties, en niet zozeer AI, maken het moeilijker om getalenteerde mensen voor dit vakgebied aan te trekken. We zien zorgwekkende trends waarbij het aantal toelatingen en aanmeldingen voor medische en wetenschappelijke opleidingen daalt. Dit is iets wat we als samenleving moeten aanpakken, maar het is geen gevolg van AI – het is eerder een antiwetenschappelijke terugslag na de coronacrisis waar we ons zorgen over moeten maken.
*** Wat is, met het oog op de toekomst, het uiteindelijke doel van AI in het onderzoek naar de ziekte van Parkinson?
Ons doel is dat deze hulpmiddelen krachtiger en alomtegenwoordiger worden, zodat we sneller kunnen leren, patiënten eerder kunnen diagnosticeren en sneller geneesmiddelen kunnen ontwikkelen om patiënten in een vroeg stadium van de ziekte te helpen. Als dit vele aspecten van de ontdekkingsketen – van biologie tot geneeskunde – versnelt, zal dit, bijna per definitie, leiden tot meer schoten op doel. Meer schoten op doel betekenen meer gescoorde doelpunten – AI zal absoluut een impact hebben op het vergroten van onze kansen op succes.
