AI as a Biological Primitive Enables Targeted Inversion Across Disease, Population, and Neuronal Systems

Meestal, wanneer we kunstmatige intelligentie gebruiken om biologie te begrijpen, vragen we het om vooruit te kijken. We voeren een computer een beeld van de huidige gezondheid van een patiënt of een momentopname van een virus dat zich door een stad verspreidt, en we vragen de machine te voorspellen wat er hierna zal gebeuren. Zal de bloedsuikerspiegel van die persoon morgen stijgen? Zal het aantal infecties volgende maand toenemen? Deze voorwaarts gerichte benadering is de standaard geworden voor de moderne geneeskunde en volksgezondheid. Het is een krachtige manier om risico's te voorspellen, maar het laat een cruciale vraag onbeantwoord. Een arts of beleidsmaker hoeft zelden alleen te weten wat er zal gebeuren; zij moeten weten wat ze moeten doen om iets anders te laten gebeuren. Ze moeten precies weten hoeveel insuline ze moeten toedienen, of hoe strikt een lockdown moet zijn, om een systeem naar een specifere, gewenste uitkomst te bewegen.

Dit is het verschil tussen het kijken naar een rivier die stroomt en weten welke stenen je moet verplaatsen om haar koers te veranderen. Decennialang hebben wetenschappers geprobeerd "digitale tweelingen" te bouwen — virtuele kopieën van patiënten of populaties die het echte leven zo nauwkeurig nabootsen dat ze getest kunnen worden met verschillende behandelingen. Deze digitale tweelingen falen echter vaak omdat ze zijn gebouwd op gemiddelden. Ze beschrijven hoe een typisch persoon reageert, niet hoe een specifiek individu reageert op een specifieke actie. Als een model een bepaald medicijn nog nooit heeft gezien in zijn trainingsdata, kan het niet betrouwbaar vertellen wat dat medicijn zal doen voor een specifieke patiënt, zelfs als het een zelfverzekerd klinkend antwoord geeft. Het resultaat is een systeem dat misschien goed voorspelt, maar niet veilig handelen kan sturen.

Een nieuwe studie door Maurice Antony Ewing stelt een andere manier voor om over deze computermodellen na te denken. In plaats van een tweeling te bouwen die een persoon nabootst, behandelt de auteur een getraind AI-model als een "biologisch primitief". Dit is een eenvoudiger concept: het model is geen replica van de volledige geschiedenis van een persoon, maar een geleerd verslag van hoe een systeem daadwerkelijk reageerde op de dingen die er in het verleden mee werden gedaan. Als de data laten zien dat een specifieke hoeveelheid lichaamsbeweging de bloedsuikerspiegel bij een groep mensen verlaagde, leert het model die specifieke relatie. De onderzoeker draait het model vervolgens om. In plaats van te vragen: "Wat gebeurt er als ik dit doe?", wordt het model gevraagd: "Welke hoeveelheid van deze actie zal ons naar dat doel brengen?" Dit proces, genaamd gerichte inversie, zoekt naar de precieze niveaus van interventie die nodig zijn om een systeem naar een doeltoestand te bewegen, maar alleen gebruikmakend van de hendels die de data daadwerkelijk ondersteunen.

Om te testen of dit idee in de echte wereld werkt, paste de studie de methode toe op drie zeer verschillende biologische systemen: de individuele fysiologie van mensen met type 1 diabetes, de populatiedynamiek van de COVID-19-pandemie, en de microscopische reacties van neuronen in de hersenen. De onderzoekers begonnen met het trainen van standaard AI-modellen om toekomstige toestanden in elk van deze gebieden te voorspellen. Voor de diabetesgegevens leerden de modellen toekomstige bloedglucosewaarden te voorspellen op basis van eerdere insuline, voedsel en activiteit. Voor de pandemiedata leerden ze toekomstige infectiecijfers te voorspellen op basis van beleid zoals lockdowns en testpercentages. Voor de hersendata leerden ze hoe neuronen vuurden als reactie op specifieke visuele stimuli. Deze voorwaartse modellen waren zeer accuraat, wat bewees dat ze de onderliggende patronen in de data hadden geleerd.

Zodra de modellen getraind waren, vroegen de onderzoekers hen om achteruit te werken. Ze stelden een doel vast — bijvoorbeeld een veilige bloedsuikerspiegel voor een diabetespatiënt of een lager aantal infecties voor een stad — en vroegen het model om de specifieke combinatie van acties te vinden die daarheen zou leiden. In de diabetesgroep, die 400 risicovolle gevallen omvatte, was de methode opmerkelijk effectief. Wanneer de onderzoekers het model vroegen om de juiste hoeveelheid fysieke activiteit alleen te vinden, verminderde het de kloof tussen de huidige staat van de patiënt en het doel met 76,5 procent. Wanneer ze vroegen om de juiste hoeveelheid insuline alleen, kromp de kloof met 60,6 procent. Wanneer ze het model toestonden om zowel activiteit als insuline te combineren, maar de suggesties binnen veilige, klinische grenzen hielden, werd de kloof met 87,8 procent verminderd. Als ze die veiligheidsgrenzen verwijderden en het model vrij lieten zoeken, vond het oplossingen die de kloof met 96,4 procent verminderden. In bijna elk geval vond het model een manier om het systeem dichter bij het doel te brengen.

De resultaten waren iets bescheidener maar nog steeds consistent wanneer ze werden toegepast op de grotere schaal van de COVID-19-pandemie. Hier was het doel om de druk van toekomstige gevallen te verminderen. Wanneer het model zocht naar het juiste niveau van lockdown-maatregelen, verminderde het de geprojecteerde kloof met 17,9 procent. Testen alleen hielp met 5,8 procent, en vaccinatie met 3,8 procent. Echter, wanneer het model deze drie strategieën combineerde, verminderde het de kloof met 25,1 procent. Dit verschil benadrukt een belangrijke bevinding: terwijl een enkele actie kan helpen, worden de complexe dynamieken van een pandemie gevormd door de combinatie van vele factoren die samenwerken. De methode toonde aan dat problemen op populatieniveau een mix van interventies vereisen in plaats van één enkel wondermiddel.

Misschien wel het meest verrassende deel van de studie was hoeveel de onderzoekers konden bereiken zonder door elke mogelijke combinatie van acties te zoeken. In de echte wereld zijn er duizenden potentiële behandelingen of beleidsmaatregelen, maar veel daarvan worden niet ondersteund door de beschikbare data. De studie testte een "compacte" benadering, waarbij het model werd beperkt tot het zoeken via een kleine, gecureerde lijst van interventies die bekend staan als plausibel en die daadwerkelijk in de data zijn opgenomen. Voor de diabetesgevallen herstelde deze compacte lijst 79,0 procent van de mogelijke verbetering richting het doel. De volledige, onbeperkte zoektocht voegde slechts 2,2 procent extra verbetering toe. Voor de pandemiedata herstelde de compacte lijst 85,9 procent van de verbetering, waarbij de volledige zoektocht slechts 0,5 procent meer toevoegde. Dit suggereert dat we niet wild hoeven te gokken of door miljoenen onmogelijke opties hoeven te zoeken om effectieve oplossingen te vinden. We hoeven alleen maar te kijken naar de acties waarvan we weten dat ze bestaan en waarvoor we data hebben.

De studie demonstreerde ook een cruciaal veiligheidskenmerk van deze aanpak: het model weigert oplossingen te verzinnen die het niet kan ondersteunen. In de diabetesgroep probeerden de onderzoekers het model te vragen om oplossingen te vinden die bepaalde medicijnen involvolleren, zoals metformin of GLP-1-medicijnen. Omdat de oorspronkelijke data voor deze patiënten geen gegevens bevatten over die specifieke medicijnen, sloeg het model deze simpelweg over. Het hallucineerde geen resultaat of deed alsof het wist wat de impact zou zijn. Het gaf een vlak antwoord aan, wat aangaf dat het die specifieke hendels niet kon aansturen. Dit staat in schril contrast met veel huidige AI-systemen, die zelfs met vol vertrouwen een behandeling zouden kunnen suggereren terwijl ze er nooit data over hebben gezien. De "primitieve" benadering is geworteld in wat de data daadwerkelijk bevat, wat het een veiligere tool maakt voor besluitvorming.

Dezelfde logica werd toegepast op de hersenen. Met behulp van data van de Allen Brain Observatory, die meer dan 1,2 miljoen observaties bevat van hoe neuronen reageren op licht, bouwden de onderzoekers een primitief dat leerde hoe specifieke cellen reageren op stimuli. Ze waren in staat om het model te vragen welke mate van stimulus een neuron naar een specifiek vuurpatroon zou bewegen. Dit toonde aan dat de methode niet alleen werkt voor hele mensen of hele populaties, maar ook voor de kleinste eenheden van de biologie. De neuron, de patiënt en de stad worden allemaal behandeld als systemen die reageren op inputs, en het model leert de kaart van die reacties.

De auteur is voorzichtig om te stellen dat dit een methode van onderzoek is, en geen definitief recept. De resultaten komen voort uit het terugkijken naar historische data, niet uit het uitvoeren van nieuwe klinische trials. Het model identificeert de niveaus van interventie die een systeem naar een doel zouden bewegen op basis van het verleden, maar het bewijst niet dat die interventies in een nieuwe, echte wereldwijde setting zullen werken. Het is een manier om de mogelijkheden te verkleinen en de meest veelbelovende paden te vinden. De studie betoogt dat door AI te behandelen als een biologisch primitief dat in omgekeerde richting kan worden ondervraagd, wetenschappers verder kunnen gaan dan eenvoudige voorspelling. In plaats van alleen te vragen wat er zal gebeuren, kunnen ze vragen welke mate van actie nodig is om iets te laten gebeuren, mits ze zich houden aan de hendels die de data ondersteunen. Deze verschuiving van het gokken over de toekomst naar het targeten van het heden biedt een meer gegronde, praktische manier om kunstmatige intelligentie in de geneeskunde en de volksgezondheid te gebruiken.