Artificial Intelligence in Drug Discovery: A PRISMA-Based Systematic Review of Methods, Challenges, Taxonomy, and Evaluation Practices

Het brengen van een nieuw medicijn van het idee van een wetenschapper naar een apotheekplank is een monumentale onderneming. Het duurt doorgaans een decennium of langer en kost miljarden dollars, terwijl de overgrote meerderheid van de potentiële medicijnen faalt voordat ze ooit een patiënt bereiken. De meeste van deze mislukkingen vinden plaats omdat het medicijn niet goed genoeg werkt of schadelijke bijwerkingen veroorzaakt die pas laat in het testproces aan het licht komen. Om dit trage en dure traject te versnellen, hebben onderzoekers zich tot kunstmatige intelligentie gewend. In deze context verwijst kunstmatige intelligentie naar computersystemen die van data kunnen leren om patronen te vinden en voorspellingen te doen zonder expliciet geprogrammeerd te zijn met elke afzonderlijke regel. Een van de krachtigste instrumenten in dit veld is machine learning, waarbij computers enorme hoeveelheden informatie analyseren om hun eigen prestaties in de loop van de tijd te verbeteren. Een ander kernconcept is de drug discovery pipeline, wat het stapsgewijze proces is van het vinden van een ziekte-doelwit, het screenen van miljoenen chemische verbindingen en het verfijnen van de beste kandidaten tot veilige medicijnen. Jarenlang vertrouwde dit proces zwaar op menselijke intuïtie en langzame, handmatige tests, maar de enorme hoeveelheid mogelijke chemische combinaties is zo groot dat menselijke inspanning alleen niet alle mogelijkheden kan verkennen.

Een uitgebreid nieuw overzicht van de wetenschappelijke literatuur heeft nauwkeurig in kaart gebracht hoe kunstmatige intelligentie momenteel wordt gebruikt om deze uitdagingen aan te pakken. De onderzoekers achter deze studie, onder leiding van Mahmud Ahmed en collega's, hebben geen nieuw experiment in een laboratorium uitgevoerd. In plaats daarvan traden zij op als meester-archivisten, door 618 afzonderlijke wetenschappelijke artikelen te verzamelen en te analyseren die tussen 2019 en 2026 zijn gepubliceerd. Ze doorzochten drie grote databases met miljoenen records, waarbij ze duplicaten en irrelevante studies filterden om zich uitsluitend te concentreren op hoogwaardig onderzoek dat kunstmatige intelligentie toepaste op drug discovery. Hun doel was om door de ruis van een snelgroeiend veld, waar duizenden nieuwe artikelen verschijnen, heen te snijden om te begrijpen welke methoden daadwerkelijk werken, waar het veld naartoe gaat en welke problemen nog onopgelost zijn. Ze wilden een helder beeld creëren van het landschap, door de chaotische mix van technieken te organiseren in een gestructureerd kader dat wetenschappers en industriële leiders kunnen gebruiken om vooruit te komen.

De review onthulde dat het veld in de afgelopen jaren is geëxplodeerd. In 2019 waren er slechts 11 relevante studies, maar tegen 2026 was dat aantal gestegen naar 159, een veenvoudige toename. De meest voorkomende benadering in deze studies is machine learning, dat in bijna elk beoordeeld artikel voorkwam. Binnen die brede categorie werd deep learning — een type kunstmatige intelligentie die gemodelleerd is naar de neurale netwerken van het menselijk brein — gebruikt in ongeveer 78 procent van de studies. Terwijl oudere methoden zoals quantitative structure-activity relationship modeling, die voorspelt hoe een molecuul zal reageren op basis van zijn vorm, nog steeds veelvuldig worden gebruikt, komen nieuwere technologieën snel op. Graph neural networks, die moleculen behandelen als kaarten van verbonden punten om hun structuur te begrijpen, en transformer-modellen, die dezelfde technologie zijn als de geavanceerde taaltools, zijn dominante krachten geworden, vooral in artikelen die in de laatste twee jaar zijn gepubliceerd. Deze nieuwere tools zijn vooral goed in het ontwerpen van volledig nieuwe moleculen vanaf de grond af aan, in plaats van alleen bestaande moleculen te testen.

De onderzoekers hebben deze bevindingen georganiseerd in een helder systeem, dat laat zien welke kunstmatige intelligentie-instrumenten het best geschikt zijn voor elke fase van het drug discovery-proces. De meest frequente toepassing is virtuele screening, waarbij computers miljoenen chemische verbindingen snel testen om te zien welke ervan mogelijk kunnen binden aan een ziekte-doelwit. Dit besloeg meer dan de helft van de studies. Het tweede meest voorkomende gebied is de novo design, waarbij kunstmatige intelligentie nieuwe chemische structuren uitvindt die nog nooit eerder hebben bestaan. Hoewel deze tools krachtig zijn, stelde de review vast dat het veld nog steeds worstelt met de vraag hoe ze betrouwbaar te bewijzen werken. Een groot probleem is dat veel studies slechts één type meting gebruiken om succes te beoordelen, waarbij vaak de nadruk ligt op een enkele score die misleidend kan zijn wanneer de data ongebalanceerd is. Bijvoorbeeld, als een dataset voornamelijk inactieve verbindingen bevat, kan een model zeer accuraat lijken simpelweg door te gokken dat alles inactief is, terwijl het de weinige actieve medicijnen die er echt toe doen, zou missen. De review vond dat zeer weinig studies de specifieke metrieken rapporteerden die nodig zijn om deze fouten te detecteren, wat het moeilijk maakt om verschillende methoden eerlijk te vergelijken.

Een ander belangrijk resultaat is dat hoewel de computermodellen steeds geavanceerder worden, de praktische toepassing van deze modellen achterblijft. De grootste uitdagingen die werden geïdentificeerd, waren niet de technische tekortkomingen van de algoritmen zelf, maar eerder de moeilijkheid om deze digitale voorspellingen te integreren in werkelijke wet-lab experimenten en klinische studies. Slechts een klein deel van de onderzochte studies testte hun modellen op volledig nieuwe, onafhankelijke data om te zien of ze in een andere setting zouden werken. Bovendien zijn veel van deze krachtige systemen van kunstmatige intelligentie "black boxes", wat betekent dat zelfs de wetenschappers die ze gebouwd hebben, niet volledig kunnen uitleggen waarom de computer een specifieke voorspelling heeft gedaan. Dit gebrek aan transparantie is een grote hindernis voor toezichthouders, die duidelijke verklaringen vereisen voordat ze nieuwe medicijnen goedkeuren. De review benadrukte ook dat de data die gebruikt worden om deze modellen te trainen vaak incompleet of bevooroordeeld zijn, wat kan leiden tot modellen die goed werken in een computersimulatie, maar falen wanneer ze worden toegepast op echte biologische systemen.

De geografische distributie van dit onderzoek is eveneens veelzeggend, waarbij de meerderheid van de studies afkomstig is uit China, de Verenigde Staten en India. De review merkte op dat de bijdrage van India groter is dan voorheen werd erkend, wat wijst op een groeiend centrum van innovatie in die regio. Ondanks de snelle groei en het indrukwegende volume aan onderzoek, concluderen de auteurs dat het veld zich op een kritiek punt bevindt. De technologie is zo ver gevorderd dat ze nieuwe medicijnkandidaten kan genereren en hun eigenschappen met hoge nauwkeurigheid kan voorspellen, maar de infrastructuur om deze kandidaten te valideren, te interpreteren en veilig in te zetten is nog niet klaar. De review suggereert dat de volgende grote stap niet alleen het bouwen van grotere modellen is, maar het creëren van systemen die transparant, reproduceerbaar en in staat zijn om te werken met verschillende soorten data, zoals het combineren van genetische informatie met chemische structuren. Totdat deze hiaten worden opgevuld, zal de belofte van kunstmatige intelligentie om de tijd en kosten van het naar de markt brengen van nieuwe levensreddende medicijnen drastisch te verkorten, slechts gedeeltelijk gerealiseerd blijven.