AI voorspelt hoe cellen reageren op ingrepen
Wat als je op een computer kunt simuleren hoe een cel reageert voordat je een experiment doet? Onderzoekers van Altos Labs hebben een algoritme ontwikkeld dat dat dichter bij werkelijkheid brengt.
In een preprint op arXiv beschreven de onderzoekers een machine learning-algoritme dat voorspelt hoe de genexpressie van cellen verandert na een specifieke ingreep. Genexpressie is het proces waarbij informatie in DNA wordt omgezet in eiwitten: het bepaalt welke genen actief zijn en hoeveel. Dat voorspellen is bijzonder moeilijk, omdat een cel een complex systeem is met duizenden gelijktijdige interacties.
Waarom dit zo lastig is
Tools zoals AlphaFold hebben de eiwitvouwing revolutionair veranderd: ze voorspellen de driedimensionale structuur van een eiwit op basis van de aminozuurvolgorde. Maar de volledige biochemie van een cel is volgens de onderzoekers ordes van grootte complexer. Er zijn niet alleen eiwitten, maar ook RNA, metabolieten, signaalroutes en omgevingsinvloeden die allemaal tegelijk op elkaar inwerken.
Het nieuwe algoritme pakt dit anders aan dan eerdere modellen. Het werkt van begin tot eind: het neemt een beschrijving van een ingreep, zoals het uitschakelen van een gen of het toevoegen van een stof, en voorspelt dan het volledige patroon van veranderde genactiviteit dat daarop volgt. Eerder moesten onderzoekers meerdere afzonderlijke modellen combineren, met meer ruimte voor fouten.
Wat dit betekent voor verouderingsonderzoek
Voor longevity-onderzoek is dit relevant om een simpele reden: er zijn te veel mogelijke ingrepen om allemaal in het laboratorium te testen. Welk gen schakel je uit? Welk molecuul voeg je toe? Welke combinatie van interventies heeft de meeste kans op effect bij verouderende cellen? Een betrouwbaar voorspellingsmodel kan die zoekruimte drastisch verkleinen en prioriteiten stellen voor vervolgexperimenten.
De studie is nog een preprint en is dus nog niet formeel peer-reviewed. Maar de aanpak, end-to-end voorspelling van celgedrag via machine learning, geldt in het veld als een veelbelovende richting voor het versnellen van biologisch onderzoek.