Waarom meer data AI-medicijnontwikkeling niet altijd slimmer maakt

Sophie Jansen · 2026-08-03

GSK heeft een onderzoekssamenwerking aangekondigd met het Britse biotechbedrijf Relation Therapeutics. De deal kan oplopen tot ongeveer €101 miljoen en breidt het bestaande werk op het gebied van AI-ondersteunde medicijnontwikkeling verder uit. Het klinkt misschien als een technisch verhaal, maar de kern is eigenlijk heel simpel: we willen beter begrijpen hoe onze cellen reageren op veranderingen en behandelingen, zodat we sneller betere medicijnen kunnen ontwikkelen. ### 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 worden vervolgens gebruikt om AI-modellen te trainen die potentiële medicijndoelen identificeren. Denk daarbij aan de modellen binnen Relation's MORGAN-platform. Het bijzondere aan deze aanpak is dat het genereren van biologische data hand in hand gaat met de ontwikkeling van AI-modellen. Relation combineert computationele analyse met experimenten die nieuwe informatie over menselijke cellen opleveren. Het is geen kwestie van óf data óf algoritmes, maar van allebei tegelijk. De samenwerking bouwt voort op eerdere overeenkomsten tussen GSK en Relation, die zich richtten op fibrotische aandoeningen en artrose. Die projecten gebruikten observationele studies om twee functionele ziektedatasets te creëren voor analyse met Relation's Lab-in-the-Loop-platform. ### Hoe Relation biologische data genereert Relation noemt haar aanpak Lab-in-the-Loop: een combinatie van laboratoriumexperimenten en computationele analyse. Het werk omvat weefselprofilering, single-cell en spatial transcriptomics, sequencing en doelwitvalidatie. Machine learning wordt ingezet voor doelwitidentificatie, prioritering, validatie en experimenteel ontwerp. Het bedrijf voert ook zogenaamde perturbatie-experimenten uit. Daarbij wordt gemeten hoe genetische veranderingen cellulaire kenmerken beïnvloeden die verband houden met ziekte. Die resultaten worden vervolgens geanalyseerd naast genetische data en biologische data afkomstig van patiënten. Een belangrijk detail: publieke databronnen blijven een cruciale rol spelen bij het trainen van biologische fundatiemodellen. Maar het combineren van informatie uit verschillende studies brengt technische uitdagingen met zich mee. ### De uitdaging van publieke datasets Een review uit 2025 in Experimental & Molecular Medicine wees op databanken zoals CZ CELLxGENE, de Human Cell Atlas en NCBI Gene Expression Omnibus. Die geven onderzoekers toegang tot enorme hoeveelheden single-celdata. CZ CELLxGENE alleen al biedt toegang tot meer dan 100 miljoen gestandaardiseerde cellen. Toch is meer data niet automatisch beter. Bekijk het zo: als je een taart bakt en alle ingrediënten van verschillende leveranciers haalt, kan het resultaat flink tegenvallen als de kwaliteit of consistentie verschilt. Zo werkt het ook met datasets. - Bemonsteringsmethoden verschillen tussen studies - Sequencingprotocollen zijn niet altijd hetzelfde - Experimentele procedures en verwerkingspijplijnen lopen uiteen - Single-celdata bevatten technische ruis en artefacten Daarom is zorgvuldige datasetselectie, filtering, compositiebalancering en kwaliteitscontrole essentieel tijdens het trainen van fundatiemodellen. ### Het probleem van overlap in datasets Er is nog een addertje onder het gras: datasetoverlap. Dezelfde of vergelijkbare cellen kunnen in meerdere publieke bronnen voorkomen. Dat geeft ze mogelijk een onevenredige invloed tijdens de training. Het creëert ook risico's op datalekken wanneer trainings- en testdatasets overlappen. De review concludeerde dat het samenstellen van een hoogwaardige, niet-redundante dataset minstens zo belangrijk is als de modelarchitectuur zelf. Een slim model met slechte data presteert niet beter dan een eenvoudig model met uitstekende data. ### Grotere datasets garanderen geen betere modellen Onderzoek gepubliceerd in Nature Methods in juni van dit jaar onderzocht hoe de grootte en diversiteit van pre-trainingdata single-cell fundatiemodellen beïnvloeden. De onderzoekers gebruikten een corpus van 22,2 miljoen cellen, trainden 400 modellen en evalueerden die over 6.400 experimenten. De bevindingen zijn opvallend: huidige single-cell fundatiemodellen bereiken vaak een prestatieniveau dat niet meer verbetert, zelfs na training op slechts een fractie van het beschikbare corpus. In tegenstelling tot grote taalmodellen vertoonden de onderzochte systemen geen duidelijke dataschalingswetten. Meer data leidde niet consequent tot betere resultaten. De onderzoekers ontdekten dat modelcapaciteit, datasetgrootte en rekenkracht in balans moeten zijn. Ze moeten niet simpelweg allemaal tegelijk worden vergroot. Het onderzoek bevestigde niet dat kleinere of propriëtaire datasets inherent beter zijn, maar het laat wel zien dat zorgvuldig samengestelde data vaak meer opleveren dan simpelweg meer data. ### Wat betekent dit voor de toekomst? Voor de farmaceutische industrie is dit een belangrijke les. De focus verschuift van kwantiteit naar kwaliteit. Het gaat er niet om wie de meeste data verzamelt, maar wie de beste, meest representatieve en schoonste datasets weet op te bouwen. De samenwerking tussen GSK en Relation is daar een goed voorbeeld van. Door biologisch inzicht en AI-ontwikkeling te combineren, hopen ze niet alleen sneller maar ook slimmer medicijnen te ontwikkelen. En dat is uiteindelijk waar het in de gezondheidszorg om draait: betere behandelingen voor mensen die ze nodig hebben.