Biotechbedrijf Muna Therapeutics ontdekt en ontwikkelt therapieën die verwoestende neurodegeneratieve ziekten zoals Alzheimer en Parkinson vertragen of stoppen. Het bedrijf is gevestigd in Leuven en Kopenhagen en wordt geleid door CEO Rita Balice-Gordon.

Anne-Marie Demoucelle sprak onlangs met haar over de belangrijke rol die kunstmatige intelligentie (AI) speelt in het wetenschappelijk onderzoek, in het bijzonder met betrekking tot de ziekte van Parkinson.

 Hartelijk dank aan Dr. Balice-Gordon voor haar tijd en inzichten.

 

 

——–

*** Hoe wijdverbreid is AI in het huidige onderzoek en de 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 bloedchemie, ademhalingspatronen en electrocardiogrammen om diagnoses en ziekteprogressie te helpen voorspellen. Zelfs gewone apparaten zoals onze telefoons en horloges kunnen nu gedetailleerde informatie genereren over beweging, lopen, paslengte, snelheid en balans — al deze gegevens worden geanalyseerd door AI, vaak in real-time.

In onderzoek – en ik gebruik het voorbeeld van Muna Therapeutics omdat ik denk dat we heel 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 verschillende genen tot expressie brengen. Het zou hetzelfde zijn als proberen één watermolecuul in een meer te vinden — de datasets zijn simpelweg te groot voor een individu om te analyseren. AI helpt ons cellen te groeperen in verschillende types en meerdere genetische paden tegelijkertijd te analyseren, waardoor patronen zichtbaar worden die menselijke hersenen niet zelfstandig kunnen zien.

*** Kunt u ons meer vertellen over het innovatieve MiND-MAP-platform van Muna en hoe het wordt gebruikt?
Een van de uitdagingen bij het ontdekken van medicijnen is het vertalen van de bevindingen van cellen en dieren in het lab naar de werkzaamheid bij patiënten. We hebben ons MiND-MAP platform ontwikkeld om deze uitdaging aan te gaan. We hebben het eerst gebruikt voor de ziekte van Alzheimer en onlangs uitgebreid naar de ziekte van Parkinson.

We analyseren hersenen van overleden patiënten om te begrijpen hoe cellen reageren op ziektepathologie — bijvoorbeeld bij parkinson, hoe cellen reageren op alfa-synucleïne en andere pathologieën. We bestuderen zowel aangetaste cellen als cellen die nog geen tekenen van ziekte vertonen.

Wat onze aanpak uniek maakt, is dat we de geografische informatie over waar cellen zich in de hersenen bevinden, behouden. Bij traditionele technieken worden vaak alle cellen samen geanalyseerd, waardoor de cruciale ruimtelijke informatie over de verschillende hersengebieden verloren gaat. Ons platform behoudt deze ruimtelijke relatie tijdens het analyseren van genexpressie, waardoor we kunnen begrijpen wat er gebeurt in specifieke delen van de hersenen waar neuronen degenereren, zoals de substantia nigra, het striatum en de cortex. Dit geeft ons veel rijkere inzichten in ziekteprogressie en potentiële therapeutische doelen.

*** Hoe gebruiken onderzoekers AI om de kloof tussen laboratoriumresultaten en menselijke ziekten te overbruggen?
We beginnen met het analyseren van menselijke hersenen om eerste inzichten te genereren. Daarna gebruiken we AI-tools om grote datasets te analyseren en nieuwe inzichten te krijgen.  Deze worden vervolgens getest in menselijke cellen in schaaltjes, 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 om de resultaten te analyseren en onze hypotheses te verfijnen. We vragen ons voortdurend af: “Is het hetzelfde of anders dan bij mensen?” Deze geïntegreerde aanpak helpt onze kansen op het ontdekken van effectieve behandelingen te vergroten.

*** Heeft AI de tijdlijnen voor onderzoek significant versneld?
Absoluut. Een ruimtelijke genexpressieanalyse bij parkinson bijvoorbeeld, die 10 jaar geleden nog niet eens mogelijk was en vijf jaar geleden misschien nog twee jaar in beslag nam, kost nu een fractie van die tijd. Wat een groot aantal mensen maanden zou hebben gekost om te analyseren, kan nu met een paar muisklikken op een computer worden gedaan.

Toen ik nog studeerde, bepaalden we de sequentie van genen met behulp van gigantische gels die de hele nacht in beslag namen. Nu kun je een gen in een machine sequencen in een paar minuten tot een half uur. Maar als je tonnen gegevens kunt verzamelen, moet je je afvragen: “Hoe ga ik het analyseren en wat ga ik ermee doen?” AI en machine learning kunnen je helpen om trends en patronen te identificeren in grote datasets die een individueel brein niet zelf kan bevatten. Deze trends en patronen kunnen worden gebruikt om hypotheses te genereren die vervolgens kunnen worden getest in dierlijke cellen, in diermodellen, in menselijke cellen, om de ontdekking van geneesmiddelen te versnellen.

*** Hoe helpt AI naast onderzoek nog meer bij de ontwikkeling van medicijnen?
AI zorgt voor een revolutie in meerdere ontwikkelingsstadia. 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 regelgevend document dat maanden zou hebben geduurd om op te stellen, kan nu in een paar weken worden gegenereerd met behulp van AI-tools. 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 parkinson-onderzoek?
Ja, er zijn belangrijke beperkingen. Hoewel AI veel aspecten van het onderzoek versnelt, kan het de werkelijke duur van klinische onderzoeken 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 gebruikt om de patiëntenpopulatie te voorspellen die er waarschijnlijk baat bij zal hebben, waardoor de proefpopulatie homogener wordt en de kans op succes toeneemt. We staan op het punt om de volledige impact van AI te realiseren, van idee tot medicijnkastje, maar we zijn er nog niet.

*** Wat zijn enkele veelvoorkomende misvattingen over AI in medisch onderzoek?
Een grote misvatting is dat AI onbevooroordeeld is — in werkelijkheid is de output volledig afhankelijk van de kwaliteit van de invoergegevens. Een andere misvatting is dat AI het menselijk oordeel zal vervangen, terwijl er toch echt geen substituut is 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 wetenschap en geneeskunde kunnen verminderen?
Ik denk niet dat AI het grootste risico vormt voor de wetenschappelijke en klinische beroepsbevolking. Het maakt wetenschap, klinisch onderzoek en het ontdekken van medicijnen juist veel spannender en boeiender, omdat je sneller nieuwe inzichten krijgt en die sneller kunt ontwikkelen om impact te hebben. Ik geloof dat AI zal leiden — en al heeft geleid — tot betere besluitvorming op het niveau van onderzoek, ontdekking en ontwikkeling van medicijnen en klinische behandelingen.

De echte uitdagingen liggen elders. Zo is er duidelijk minder maatschappelijke waardering voor wetenschap en wetenschappers, en de praktijk van de geneeskunde is veranderd door infrastructuur en economische factoren. Deze problemen, in plaats van AI, maken het moeilijker om getalenteerde mensen aan te trekken. We zien zorgwekkende trends waarbij het aantal toelatingen en aanvragen voor medische en wetenschappelijke carrières daalt. Dit is iets wat we als samenleving moeten aanpakken, maar het is geen weerspiegeling van AI — het is meer een post-COVID anti-wetenschapsrebound waar we ons zorgen over moeten maken.

*** Wat is, vooruitkijkend, het uiteindelijke doel van AI in parkinson-onderzoek?
Ons doel is dat deze tools krachtiger en wijdverbreid worden, zodat we sneller kunnen leren, eerder een diagnose kunnen stellen en sneller medicijnen kunnen ontwikkelen om patiënten in een vroeg stadium van de ziekte te helpen. Als het veel aspecten van de ontdekkingsketen van biologie tot geneeskunde versnelt, zal het bijna per definitie resulteren in 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.