In het dynamische veld van de levenswetenschappen komen zowel biologisch onderzoek als AI samen om ons perspectief op het leven op het meest basale niveau te veranderen. Dr. Markus Gershater, medeoprichter en Chief Science Officer van Synthace, werpt licht op de uitdagingen en kansen die deze unie biedt. Synthace, een in Groot-Brittannië gevestigd no-code-platform, maakt het ontwerpen en uitvoeren van experimenten mogelijk, en produceert en analyseert vervolgens gestructureerde gegevens.

Met het potentieel van AI om onze benadering van biologische systemen radicaal te veranderen, benadrukt het ook de noodzaak van een verandering in onze wetenschappelijke methoden en denken. Zoals technologische verschuivingen uit het verleden, zoals elektrificatie, ons hebben geleerd, is het simpelweg adopteren van nieuwe technologie niet het eindspel. De echte waarde komt naar voren wanneer technologie wordt gecombineerd met nieuwe benaderingen en perspectieven. In dit interview bespreekt Dr. Gershater een toekomst waarin AI een integraal onderdeel van de biologie wordt, en niet slechts een aanvulling.

Andrii: Dr. Gershater, u kent zowel de biochemie als de synthetische biologie, terwijl u door een snelle technische wereld navigeert. Wat is volgens jou de meest opwindende belofte die AI inhoudt voor biotechnologie?

Markus: De belofte is dat AI ons eenvoudigweg inzichten in de biologie zal geven die momenteel onmogelijk zijn en die we ons nog niet kunnen voorstellen. Ook spannend, maar secundair hieraan, is hoe dit veranderingen zal teweegbrengen in de manier waarop we werken. De reden dat ik dit zeg is omdat mijn onderliggende overtuiging hier is dat AI en biologisch onderzoek op dit moment nog niet goed op elkaar aansluiten.

AI is een technologie die fundamenteel verandering vereist van de mensen die deze willen gebruiken. Als AI dus een fundamentele impact wil hebben op de biologie, moeten we in de eerste plaats echt de manier veranderen waarop we het wetenschapsproces benaderen. Het lijkt mij dat organisaties en teams een nieuwe mindset, nieuwe processen en nieuwe tools zullen moeten adopteren.

Er zijn een aantal bedrijven die vandaag de dag al veel van de vereiste kenmerken vertonen van bedrijven die naar de toekomst kijken in termen van hoe zij denken over de manier waarop we gegevens over biologische systemen verzamelen. Denk aan bedrijven als Recursion en Insitro, die hier hele geautomatiseerde platforms omheen hebben gebouwd. Ze zijn volledig gedigitaliseerd en gebouwd om systematisch een beter begrip van biologische systemen te creëren.

Ze geven ons een glimp van hoe de toekomst eruit zou kunnen zien: het routinematig genereren van hoogwaardige, grote, gevarieerde, multidimensionale gegevens, in de volledige context van rijke metadata. Gegevens die de basis vormen voor AI, en een stapsgewijze verandering in ons vermogen om biologische systemen te begrijpen en ermee te werken.

Andrii: Natuurlijk heeft elke zilveren rand een wolkje. Wat zie jij als de grootste uitdagingen bij het introduceren van AI in de wereld van bio-engineering? Hoe kan de industrie, inclusief Synthace, deze hindernissen het beste aanpakken?

Markus: Uit onderzoek is onlangs gebleken dat maar liefst 43% van de besluitvormers op het gebied van onderzoek en ontwikkeling weinig vertrouwen heeft in de kwaliteit van hun experimentgegevens. Dit is zorgwekkend omdat het niet alleen vereist dat we onze middelen voor het vastleggen van experimentgegevens verbeteren, maar ook dat we experimenten uitvoeren die in de eerste plaats gegevens van hogere kwaliteit genereren. Hieruit volgt dat om deze gegevens correct te begrijpen, we ook een hoge mate van granulariteit nodig hebben over de manier waarop deze zijn gemaakt: metadata over experimenten moeten zoveel mogelijk automatisch worden verzameld.

In de context van AI is dit een probleem. De reikwijdte van mogelijke toepassingen voor AI in de biotechnologie is enorm en kan op talloze manieren worden toegepast in elk aspect van de waardeketen. Zeggen ‘we moeten AI gebruiken’ is hetzelfde als zeggen ‘we moeten elektriciteit gebruiken’: voor de hand liggend en nutteloos, tenzij je het over details hebt. Veel betekenisvoller is “we moeten grote taalmodellen toepassen om de gebruikersinterfaces voor onze complexe apparatuur en methodologieën te verbeteren”, of “we moeten actief leren gebruiken om de ontwikkeling van tests voor vroege ontdekking te optimaliseren.”

‘We moeten AI gebruiken’ dreigt een soort loze oproep tot de wapens te worden, zonder erkenning van alle veranderingen die nodig zullen zijn om de aangeprezen revolutie tot stand te brengen. Tijdens de tweede industriële revolutie was elektriciteit op zichzelf onvoldoende om de productiviteit te verhogen. Mensen moesten zich eerst realiseren dat het een manier bood om de manier waarop ze werkten te veranderen. Fabrieken hoefden niet langer te worden opgesteld rond enorme aandrijfassen die werden aangedreven door stoommachines. In plaats daarvan zouden ze in productielijnen kunnen worden gerangschikt. Het was de combinatie van nieuwe technologie (elektrificatie) en nieuwe manieren van werken (productielijnen en scheiding van arbeid) die de stapsgewijze verandering in de productiviteit mogelijk maakte.

Voor Synthace ligt onze focus stevig op het experiment zelf. Hoe kunnen we gegevens van hoge kwaliteit verzamelen, genereren en structureren voor export naar systemen die er meer gebruik van kunnen maken dan de ronduit beperkte en beperkende gegevens die vandaag de dag beschikbaar zijn. Om de bovenstaande analogie voort te zetten: hoe kunnen we de fabrieksvloer aanpassen om optimaal gebruik te maken van elektriciteit?

Andrii: Over uitdagingen gesproken: het valt niet te ontkennen dat de complexiteit van biologische systemen zorgt voor een duizelingwekkende hoeveelheid gegevens. Wat is uw mening over de beste aanpak om met deze data-overload om te gaan, en waar komt AI in beeld?

Markus: De complexiteit van de biologie komt voort uit de interacties van de eenvoudiger componenten ervan, waardoor unieke eigenschappen en gedragingen ontstaan. Deze opkomende kenmerken kunnen niet op betrouwbare wijze worden voorspeld op basis van individuele componenten, waardoor een uitgebreide en onderling verbonden dataset nodig is voor een dieper begrip van biologische systemen.

Veel van de big data die in de biologie worden geproduceerd, zijn multi-omic-studies: zeer gedetailleerde moleculaire momentopnamen van een systeem. Maar afgezien van genomische gegevens zijn al deze uitlezingen zeer dynamisch: ze veranderen in de loop van de tijd en als reactie op een groot aantal stimuli. Om een ​​biologisch systeem echt te begrijpen, moeten we de dynamiek ervan begrijpen, aangezien een aantal factoren verandert. We kunnen niet zomaar een heleboel dingen meten, we moeten ze meten in de context van dit multifactoriële landschap, waarbij we systematisch experimenten uitvoeren die de ruimte in kaart brengen, en AI in staat stellen te ‘zien’ wat er aan de hand is.

Alleen het sequencen van iets is niet genoeg; we moeten ook kijken naar hoe het werkt, interageert en reageert op verschillende stimuli. In ons streven om de complexiteit van biologische processen te begrijpen, is het duidelijk dat eendimensionale gegevens alleen ons niet ver op dit onderzoekspad zullen brengen. Idealiter zouden we grote, gevarieerde, dynamische data van hoge kwaliteit hebben, verrijkt met zoveel mogelijk experimentele context, zodat toekomstige, nog onvoorstelbare AI-gestuurde analyses zoveel mogelijk gebruik kunnen maken van de data van vandaag.

Andrii: Ten slotte is het idee dat AI ons hele begrip van het universum zou kunnen veranderen een beetje duizelingwekkend. Kun je wat dieper op dat concept ingaan? Hoe kan AI de manier transformeren waarop we omgaan met alles, van biologische systemen tot de wijdere wereld om ons heen?

Markus: De buzz rond AI/ML is opmerkelijk sterk en zal zonder twijfel transformerend zijn in het brengen van nieuwe inzichten in de biologie. Maar zoals ik al zei, we moeten de volledige realisatie van het potentieel ervan nog zien. Het werk van de biologie en de data/metadata die het produceert, zijn moeilijk in code weer te geven en moeilijk te digitaliseren. Als we het niet kunnen, blijft AI/ML een utopie die voorbehouden blijft aan ‘big tech’. De hoeveelheid gegevens, en ook de kwaliteit van de gegevens die we aan deze hulpmiddelen voor kunstmatige intelligentie en machinaal leren kunnen leveren, bepalen de waarschijnlijkheid dat we iets interessants ontdekken.

Is er een manier om de gehele levenscyclus van het experiment van begin tot eind mogelijk te maken en te controleren? Is er een manier om multifactoriële experimenten, geavanceerde automatisering en AI/ML mogelijk te maken met één enkele verenigende standaard? Is er een manier om wetenschappers op een hoger niveau te brengen, zodat ze meer tijd kunnen besteden aan wat het belangrijkst is, en meer van hun individuele talenten kunnen toepassen op de moeilijkste problemen van vandaag, met de volledige kracht van moderne computers?

Als we ons op de juiste manier kunnen aanpassen aan de mogelijkheden die deze tools bieden, kunnen we van de ene op de andere dag hele biologische landschappen in kaart brengen, waarbij we de resulterende gegevens en metagegevens gebruiken om toekomstige resultaten te voorspellen. Er zal waarschijnlijk een tijd komen in dit decennium waarin AI het best mogelijke experimentontwerp kan voorspellen voordat we zelfs maar het laboratorium binnenstappen. Mocht dit gebeuren, dan zal het resultaat wetenschappelijke doorbraken zijn die volgens de huidige maatstaven het geloof te boven gaan.

Onderwerpen: Emerging Technologies   

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.biopharmatrend.com/post/709-interview-with-markus-gershater-from-synthace/