Waarom biologische data de sleutel is tot betere AI-medicijnen

Sophie Jansen · 2026-08-03

AI-geneesmiddelenontdekking draait niet alleen om slimme algoritmes; het draait om de data die die algoritmes voeden. GSK en het Britse biotechbedrijf Relation Therapeutics hebben onlangs een samenwerking aangekondigd die tot wel €101,5 miljoen waard kan zijn. Het doel? Grootschalige biologische datasets bouwen die AI-modellen helpen om nieuwe medicijndoelen te vinden. Die investering zegt veel over een verschuiving in de sector. Steeds meer bedrijven beseffen dat de kwaliteit van biologische data minstens zo belangrijk is als de AI-modellen zelf. Zonder goede data blijft zelfs het meest geavanceerde model steken op giswerk. ### Wat houdt de samenwerking tussen GSK en Relation precies in? Relation gaat datasets genereren die meten hoe menselijke cellen reageren op genetische veranderingen en medicijninterventies. Die data worden gebruikt om AI-modellen te trainen, waaronder de modellen binnen Relation's MORGAN-platform. Het is een aanpak die computationele analyse direct koppelt aan laboratoriumexperimenten. De samenwerking bouwt voort op eerdere projecten rond fibrotische ziekten en artrose. Die eerdere studies combineerden menselijke genetica, single-cell multi-omics uit menselijk weefsel, functionele assays en machine learning. Het doel was om potentiële ziektedoelen te identificeren en valideren. ### Hoe genereert Relation biologische data? Relation noemt haar aanpak 'Lab-in-the-Loop'. Simpel gezegd: laboratoriumexperimenten en computationele analyse wisselen elkaar continu af. Het bedrijf doet weefselprofilering, single-cell en ruimtelijke transcriptomics, sequencing en doelwitvalidatie. Machine learning wordt ingezet voor het identificeren, prioriteren en valideren van doelen, én voor het ontwerpen van nieuwe experimenten. Daarnaast voert Relation verstoringsexperimenten uit. Die meten hoe genetische veranderingen cellulaire kenmerken beïnvloeden die met ziektes te maken hebben. De resultaten worden vervolgens naast genetische data en data van patiënten gelegd. Zo ontstaat een completer beeld. ### De rol van publieke databanken Publieke databanken blijven een belangrijke bron van trainingsmateriaal voor biologische funderingsmodellen. Denk aan CZ CELLxGENE, de Human Cell Atlas en NCBI Gene Expression Omnibus. Die geven onderzoekers toegang tot enorme hoeveelheden single-cel data. Alleen CZ CELLxGENE bevat al meer dan 100 miljoen gestandaardiseerde cellen. Toch kleven er haken en ogen aan het gebruik van publieke data. Steekproefmethoden, sequencingprotocollen, experimentele procedures en verwerkingspijplijnen verschillen per studie. Single-cel data bevatten bovendien technische ruis en artefacten. Dat vraagt om zorgvuldige datasetselectie, filtering, compositiebalancering en kwaliteitscontrole tijdens het trainen van modellen. Een ander probleem is overlap van datasets. Dezelfde of vergelijkbare cellen kunnen in meerdere publieke bronnen voorkomen. Dat geeft ze mogelijk onevenredig veel invloed tijdens de training. En als trainings- en testdata overlappen, ontstaat het risico op datalekken. > De conclusie van een review uit 2025 in Experimental & Molecular Medicine: het samenstellen van een hoogwaardige, niet-redundante dataset is minstens zo belangrijk als de modelarchitectuur zelf. ### Grotere datasets zijn niet automatisch beter Onderzoek gepubliceerd in Nature Methods in juni van dit jaar zette die gedachte verder kracht bij. Wetenschappers gebruikten een corpus van 22,2 miljoen cellen en trainden 400 modellen, die ze evalueerden over 6.400 experimenten. De uitkomst? Huidige single-cell funderingsmodellen bereiken vaak al een prestatiesplateau na training op een fractie van het beschikbare corpus. In tegenstelling tot grote taalmodellen vertoonden de onderzochte systemen geen duidelijke data-schaalwetten. Meer data leidde dus niet consistent tot betere resultaten. De onderzoekers stellen dat modelcapaciteit, datasetgrootte en rekenkracht in balans moeten zijn. Je kunt ze niet zomaar alle drie vergroten. Het onderzoek bewijst niet dat kleinere of propriëtaire datasets inherent beter zijn. Maar het maakt wel duidelijk dat 'meer data' geen garantie is voor 'betere modellen'. ### Wat betekent dit voor de toekomst van AI in medicijnontwikkeling? De samenwerking tussen GSK en Relation past in een bredere trend. Bedrijven investeren steeds meer in het genereren van eigen, hoogwaardige biologische data in plaats van uitsluitend te leunen op publieke bronnen. Die data zijn specifiek afgestemd op de vragen die de AI-modellen moeten beantwoorden. De kernboodschap is helder: AI-modellen zijn zo goed als de data waarmee ze getraind zijn. Wie betere medicijnen wil ontwikkelen, moet dus niet alleen betere algoritmes bouwen, maar ook betere datasets samenstellen. Die twee gaan hand in hand, en de bedrijven die dat begrijpen, hebben een flinke voorsprong.