De wetenschap heeft lang vertrouwd op een eenvoudige, krachtige aanname: dat de beste manier om te leren is door te studeren wat werkt. Wanneer een wetenschapper een nieuw medicijn ontdekt dat een ziekte geneest, of een eiwit dat een geheugen opbouwt, wordt dat succes gepubliceerd, gevierd en toegevoegd aan de enorme bibliotheek van de menselijke kennis. Kunstmatige intelligentie, het moderne instrument dat is ontworpen om patronen in deze bibliotheek te vinden, heeft geleerd hetzelfde te doen. Het scant miljoenen gepubliceerde artikelen op zoek naar verbindingen die al zijn bevestigd. Maar deze benadering heeft een verborgen gebrek. Door alleen de winnaars te bestuderen, mist de AI de verliezers. Het ziet nooit de experimenten die mislukten, de ideeën die werden afgewezen, of de vragen die wetenschappers te bang waren om te stellen. Dit creëert een blinde vlek, een stilte in de data waar de meest verrassende ontdekkingen zich wellicht verbergen.

Deze stilte is wat onderzoekers aan het Instituto Venezolano de Investigaciones Científicas probeerden te vullen. Zij ontwikkelden een nieuwe manier om kunstmatige intelligentie te bouwen die niet alleen kijkt naar wat er is, maar actief zoekt naar wat ontbreekt. Hun doel was om een systeem te creëren dat wetenschappelijke hypothesen kon genereren door te kijken naar de "negatieve ruimte"—de relaties tussen biologische concepten die zouden moeten bestaan, maar nooit gedocumenteerd zijn. Om te begrijpen waarom dit ertoe doet, moet men eerst begrijpen hoe biologisch geheugen werkt. In de hersenen fungeren eiwitten als schakelaars die genen aan- en uitzetten, wat neuronen helpt om nieuwe informatie op te slaan. Decennialang hebben wetenschappers zich bijna uitsluitend gericht op hoe deze eiwitten ons helpen herinneren. Echter, de hersenen moeten ook kunnen vergeten. Als we elk detail van ons leven zouden onthouden, zouden onze geesten overweldigd raken. Recent onderzoek suggereert dat vergeten een actief proces is, een noodzakelijke schoonmaakploeg die onnodige verbindingen verwijdert om ruimte te maken voor nieuw leren. Toch blijven de specifieke mechanismen die dit actieve vergeten aansturen grotendeels een mysterie, vooral met betrekking tot de vraag hoe verschillende soorten hersencellen, naast alleen neuronen, hierbij betrokken kunnen zijn.

Het team, onder leiding van Lenin González-Paz en zijn collega's, bouwde een driestaps protocol om deze verborgen mechanismen te ontdekken. Ze vroegen de computer niet simpelweg om meer artikelen te lezen; ze leerden het om te zoeken naar de gaten. De eerste stap bestond uit het in kaart brengen van het volledige bekende landschap van een specifieke groep eiwitten genaamd CPEB3 en CPEB4. Deze eiwitten staan bekend om hun betrokkenheid bij het geheugen, maar de kaart die de onderzoekers maakten, toonde iets vreemds. Hoewel de kaart vol verbindingen was tussen deze eiwitten en neuronen, was deze volledig leeg in andere gebieden. De computer berekende een score voor elke mogelijke verbinding die ontbrak. Het vond dat de relatie tussen deze geheugeneiwitten en andere soorten hersencellen, zoals astrocyten en microglia, een enorme blinde vlek was. Evenzo was de verbinding tussen deze eiwitten en de staat van slaap, of het proces van actief vergeten, vrijwel niet aanwezig in de gepubliceerde literatuur. Het systeem identificeerde vier specifieke gebieden waar de wetenschappelijke gemeenschap simpelweg gestopt was met zoeken.

De tweede stap van het protocol was nog radicaler. De onderzoekers voerden de computer een ander soort data: de "donkere data". Dit omvatte wetenschappelijke artikelen die wel geschreven maar nooit gepubliceerd waren, experimenten die mislukten en werden weggegooid, en klinische studies die hun doelen niet hebben behaald. In de wereld van de wetenschap wordt deze informatie vaak begraven of genegeerd omdat het geen verhaal van succes vertelt. De computer analyseerde deze afgewezen data om patronen te vinden in wat wetenschappers hebben geprobeerd en waar zij vervolgens mee zijn opgehouden. Het ontdekte dat bepaalde onderwerpen, zoals de rol van slaap in geheugenverwerking of de betrokkenheid van niet-neuronale cellen, regelmatig voorkwamen in deze mislukte of ongepubliceerde studies. Het systeem concludeerde dat deze onderwerpen systematisch werden onderdrukt of over het hoofd werden gezien in de mainstream literatuur, niet omdat ze onbelangrijk waren, maar omdat ze moeilijk te bewijzen waren of niet pasten binnen het huidige narratief.

In de laatste stap combineerden de onderzoekers deze twee bevindingen. Ze vroegen de computer om een nieuw wetenschappelijk idee te genereren dat de ontbrekende stukjes uit de eerste stap verbond met de onderdrukte patronen uit de tweede stap. Het resultaat was een gedurfde, toetsbare hypothese die het huidige begrip van hoe het geheugen werkt, uitdaagt. De computer stelde voor dat de eiwitten CPEB3 en CPEB4 niet alleen binnen neuronen werken om ons te helpen herinneren. In plaats daarvan suggereerde het dat deze eiwitten opereren binnen astrocyten, een type ondersteunende cel in de hersenen, tijdens de slaap. In dit scenario helpen de eiwitten bij het afbreken van specifieke verbindingen in samenwerking met microglia, de immuuncellen van de hersenen, om actief irrelevante herinneringen te wissen. Dit idee was niet slechts een gok; het systeem haalde het door een reeks strikte filters om te garanderen dat het fysiek mogelijk, logisch consistent en in staat was om in een echt laboratorium getest te worden. De hypothese slaagde voor elke test en scoorde hoog op zijn vermogen om de huidige consensus te verstoren terwijl het wetenschappelijk levensvatbaar bleef.

De onderzoekers vergeleken vervolgens wat hun nieuwe systeem vond met wat traditionele AI zou hebben voorgesteld. Een standaard AI, getraind op enkel gepubliceerde succesverhalen, zou waarschijnlijk een kleine, incrementele verbetering van de bestaande theorie hebben voorgesteld, zoals hoe deze eiwitten neuronen helpen om herinneringen te versterken terwijl we wakker zijn. Het contra-inductieve systeem wees echter in een totaal andere richting. Het verschoof de focus van neuronen naar ondersteunende cellen, van wakkere uren naar slaap, en van onthouden naar vergeten. Het team valideerde hun methode door aan te tonen dat de blinde vlekken die het systeem identificeerde, inderdaad echte hiaten waren in de huidige kennis, en dat de onderdrukte kenmerken die het vond, overeenkwamen met wat experts wisten over de vooroordelen in het vakgebied. De hypothese die zij genereerden is nu klaar voor experimentele toetsing, en biedt een concreet pad om te onderzoeken hoe de hersenen het huis schoonmaken terwijl we slapen.

Dit werk vertegenwoordigt een fundamentele verschuiving in hoe we kunstmatige intelligentie voor ontdekking kunnen gebruiken. In plaats van te fungeren als een spiegel die alleen reflecteert wat we al weten, verandert dit nieuwe protocol de computer in een instrument voor het verkennen van het onbekende. Het demonstreert dat door aandacht te besteden aan wat er ontbreekt en wat is afgewezen, wetenschappers de vragen kunnen vinden die er het meest toe doen. De onderzoekers hebben een duidelijke, stapsgewijze handleiding verstrekt voor anderen om te volgen, waarmee zij bewijzen dat de meest waardevolle data in de wetenschap misschien niet de resultaten zijn die de koppen halen, maar de stilte die hen omringt. Door te leren van de vliegtuigen die neerstortten, en niet alleen van de vliegtuigen die veilig terugkeerden, biedt deze benadering een nieuwe manier om door het uitgestrekte, onontgonnen gebied van het menselijk brein te navigeren.