Waarom biologische data de echte gamechanger is in AI-geneesmiddelenonderzoek

Sophie Jansen · 2026-08-03

De farmaceutische wereld praat graag over AI-modellen die nieuwe medicijnen ontdekken. Maar er schuilt een stille kracht achter die modellen: biologische data. Zonder goede data blijven zelfs de slimste algoritmes steken op mooie beloftes. Dat besef groeit nu ook bij grote spelers zoals GSK. GSK heeft onlangs een samenwerking aangekondigd met het Britse biotechbedrijf Relation Therapeutics. De deal kan oplopen tot maar liefst €101,5 miljoen (ongeveer $110 miljoen). Het doel? Samen AI-gedreven medicijnontwikkeling naar een hoger niveau tillen. Dit bouwt voort op eerdere projecten rond fibrotische ziekten en artrose. ## Wat houdt de samenwerking precies in? Relation Therapeutics gaat grootschalige datasets genereren die meten hoe menselijke cellen reageren op genetische veranderingen en medicijninterventies. Die data voeden AI-modellen die potentiële medicijndoelen identificeren, waaronder de modellen binnen het MORGAN-platform van Relation. Wat dit bijzonder maakt: biologische datageneratie en AI-modelontwikkeling worden hier nadrukkelijk naast elkaar geplaatst. Relation combineert computationele analyse met experimenten die nieuwe informatie over menselijke cellen opleveren. Het is geen kwestie van óf data óf AI, maar van beide samen. Eerder werk binnen deze samenwerking combineerde al menselijke genetica, single-cell multi-omics uit menselijk weefsel, functionele assays en machine learning. Die combinatie werd gebruikt om potentiële ziektedoelen te identificeren en te valideren. ## Hoe Relation biologische data genereert Relation noemt haar aanpak 'Lab-in-the-Loop'. Klinkt technisch, maar het idee is simpel: laboratoriumexperimenten en computationele analyse versterken elkaar continu. - Weefselprofilering en single-cell transcriptomics - Sequencing en doelwitvalidatie - Machine learning voor identificatie, prioritering en experimentontwerp Daarnaast voert het bedrijf perturbatie-experimenten uit. Die meten hoe genetische veranderingen cellulaire kenmerken beïnvloeden die verband houden met ziekte. De resultaten worden vervolgens geanalyseerd naast genetische data en data van patiënten. Zo ontstaat een completer beeld dan wanneer je slechts één databron gebruikt. ## De uitdaging van publieke databanken Publieke repositories blijven een belangrijke bron van trainingsmateriaal voor biologische fundatiemodellen. Denk aan CZ CELLxGENE, de Human Cell Atlas en NCBI Gene Expression Omnibus. Die bevatten enorme hoeveelheden single-cel data. CZ CELLxGENE alleen al biedt toegang tot meer dan 100 miljoen gestandaardiseerde cellen. Maar er zit een addertje onder het gras. Samplingmethoden, sequencingprotocollen en verwerkingspijplijnen verschillen per studie. Single-cel data bevatten bovendien technische ruis en artefacten. Dat vraagt om zorgvuldige selectie, filtering en kwaliteitscontrole tijdens het trainen van fundatiemodellen. Een ander probleem: dataset-overlap. Dezelfde of vergelijkbare cellen kunnen in meerdere publieke bronnen voorkomen. Dat geeft ze onevenredig veel invloed tijdens de training. En het creëert risico's op datalekken wanneer trainings- en testdatasets overlappen. > "Het samenstellen van een hoogwaardige, niet-redundante dataset is minstens zo belangrijk als de modelarchitectuur zelf." – Review in Experimental & Molecular Medicine, 2025 ## Grotere datasets betekenen niet automatisch betere modellen Dat is een belangrijke les uit recent onderzoek in Nature Methods. Wetenschappers trainden 400 modellen op een corpus van 22,2 miljoen cellen en evalueerden ze in 6.400 experimenten. De uitkomst? Single-cell fundatiemodellen bereiken vaak een prestatieplateau na training op slechts een fractie van het beschikbare corpus. In tegenstelling tot grote taalmodellen vertoonden deze systemen geen duidelijke datascaling-wetten. Meer data leverde niet consistent betere resultaten op. De onderzoekers concluderen dat modelcapaciteit, datasetgrootte en rekenkracht in balans moeten zijn. Ze stellen niet dat kleinere of eigen datasets per definitie beter zijn. Maar het idee dat 'meer data altijd beter is' verdient nuancering. ## Wat betekent dit voor de toekomst? De samenwerking tussen GSK en Relation laat zien dat de industrie steeds meer oog krijgt voor datakwaliteit. Het gaat niet alleen om het verzamelen van zoveel mogelijk data, maar om het genereren van de juiste data. Data die relevant is, goed gestructureerd en vrij van ruis. Voor wie werkt aan AI in de biotech: investeer niet blind in grotere datasets. Denk na over wat je modellen écht nodig hebben. Combineer experimenteel werk met computationele analyse. En wees kritisch op publieke bronnen. De toekomst van AI-geneesmiddelenonderzoek ligt niet in de algoritmes alleen. Die ligt in de kwaliteit van de biologische data die eraan ten grondslag ligt. Dat is misschien minder sexy dan een nieuw model, maar wel de fundering waarop alles rust.