Voordelen en nadelen van generatieve AI in de biotechnologie

Biotech R&D heeft een aantal van de meest indrukwekkende innovaties voortgebracht, van recombinant DNA tot genoombewerking. Hoewel de weg naar commercialisatie altijd een uitdaging is geweest, zijn veel fundamentele barrières voor innovatie groter geworden. Momenteel is er een overvloed aan ongestructureerde gegevens en ideeën. Deze omzetten in wereldveranderende ideeën vormt een enorme organisatorische en logistieke uitdaging.

Met de opkomst van generatieve AI in het afgelopen jaar ligt een oplossing voor sommige van deze problemen in het verschiet. Generatieve AI kan afwijkend denken bevorderen, de vooringenomenheid van experts in twijfel trekken, ideeën evalueren en verfijnen en samenwerking tussen nicheonderzoeksgebieden vergemakkelijken. Het stroomlijnt ook de levenscyclus van gegevens en verandert de creatieve aspecten van biotechnologische laboratoriumactiviteiten, zoals het automatiseren en verbeteren van de kwaliteit van de inhoud, van laboratoriumnotities tot gepubliceerde wetenschappelijke literatuur. 

In de volgende blog kijken we naar wat generatieve AI is, hoe het werkt en de toepassingen in biotech en de bredere biowetenschappen.

Wat is generatieve AI? 

Generatieve AI, of Gen AI, is een klasse kunstmatige intelligentietechnieken en algoritmen die nieuwe gegevensmonsters of inhoud genereren, waaronder audio, code, afbeeldingen, tekst, simulaties en video's. 

In tegenstelling tot discriminatieve modellen die zich richten op classificatie- of voorspellingstaken op basis van bestaande gegevens, leren generatieve modellen de onderliggende patronen en structuren van de gegevens om nieuwe instanties te genereren die statistisch gelijk zijn aan de trainingsgegevens.

Gen-AI omvat een breed scala aan algoritmen en benaderingen

Gen-AI heeft toepassingen in verschillende domeinen, waaronder het genereren van afbeeldingen, tekstsynthese, muziekcompositie, het ontdekken van medicijnen en het maken van content. Het maakt het genereren van realistische en diverse gegevensmonsters mogelijk, vergemakkelijkt gegevensuitbreiding voor het trainen van modellen voor machinaal leren en stimuleert creativiteit en innovatie in AI-gestuurde toepassingen.

Er zijn verschillende algoritmen en benaderingen, waaronder:

• Generatieve adversariële netwerken (GAN's): GAN's bestaan uit twee neurale netwerken, een generator en een discriminator, die tegelijkertijd worden getraind op een concurrerende manier. De generator leert om realistische datasamples te genereren, zoals afbeeldingen, tekst of audio, terwijl de discriminator leert om onderscheid te maken tussen echte en gegenereerde samples. Door middel van tegendraadse training produceren GANs synthetische gegevens van hoge kwaliteit die sterk lijken op de verdeling van echte gegevens.
• Variationele Autoencoders (VAE's): VAE's zijn probabilistische generatieve modellen die leren om gegevensmonsters te coderen en te decoderen naar een lager-dimensionale latente ruimte. Door monsters te nemen uit de latente ruimte en de monsters terug te decoderen naar de oorspronkelijke gegevensruimte, kunnen VAE's nieuwe gegevensmonsters genereren die de variabiliteit en structuur van de trainingsgegevens vastleggen. VAE's worden vaak gebruikt voor het genereren van afbeeldingen, tekst en andere complexe gegevenstypen.
• Autoregressieve modellen: Autoregressieve modellen, zoals autoregressieve neurale netwerken (ARN's) en autoregressieve voortschrijdende gemiddelde (ARMA) modellen, genereren gegevensreeksen door de voorwaardelijke kansverdeling van elk gegevenspunt te modelleren gegeven de vorige waarnemingen. Door iteratief te bemonsteren uit de voorwaardelijke verdeling genereren autoregressieve modellen reeksen gegevensmonsters, zoals tijdreeksgegevens, spraak of tekst.
• Transformers: Transformers zijn een klasse van deep learning architecturen die state-of-the-art prestaties hebben bereikt in natuurlijke taalverwerkingstaken (NLP). Transformers, met name varianten zoals GPT (Generative Pre-trained Transformer) en BERT (Bidirectional Encoder Representations from Transformers), kunnen samenhangende en contextueel relevante tekst genereren door de relaties tussen woorden of tokens in een sequentie te modelleren.

Hoe werkt Gen AI?

Generatieve AI gebruikt verschillende technieken - waaronder neurale netwerken en algoritmen voor diep leren - om patronen te identificeren en op basis daarvan nieuwe uitkomsten te genereren. Het trainingsproces van een generatief model bestaat uit het voeden van een grote dataset met voorbeelden, zoals afbeeldingen, tekst, audio en video's. Traditionele AI is gericht op het uitvoeren van specifieke taken op basis van vooraf gedefinieerde regels en patronen. Terwijl traditionele AI gericht is op het uitvoeren van specifieke taken op basis van vooraf gedefinieerde regels en patronen, gaat gen-AI verder dan deze beperking en streeft ernaar om geheel nieuwe gegevens te creëren die lijken op door mensen gecreëerde inhoud. A taalmodel is een voorbeeld van gen-AI, waarbij gebruik wordt gemaakt van een probabilistisch model van een natuurlijke taal dat waarschijnlijkheden van een reeks woorden kan genereren op basis van tekstcorpora in een of meerdere talen waarop het getraind is. Grote taalmodellen, in hun meest geavanceerde vorm, zijn een combinatie van feedforward neurale netwerken en transformatoren.

Op het gebied van natuurlijke taalverwerking is er ook een neuraal netwerk, een methode in kunstmatige intelligentie die computers leert om gegevens te verwerken op een manier die is geïnspireerd op het menselijk brein. Diep leren is een soort proces van machinaal leren dat gebruik maakt van onderling verbonden knooppunten of neuronen in een gelaagde structuur die lijkt op het menselijk brein. Deze algoritmen kunnen verschillende gegevensinvoer verwerken en worden gebruikt voor spraak- en spraakherkenning.

Hoe wordt Gen AI momenteel gebruikt in de biotech?

Gen-AI wordt in toenemende mate gebruikt in de biotechnologie en biowetenschappen in verschillende toepassingen, waarbij gebruik wordt gemaakt van het vermogen om realistische en diverse gegevensmonsters te genereren. Enkele belangrijke gebieden waarop Gen AI momenteel wordt gebruikt in biotech en biowetenschappen zijn:

• Ontdekking en ontwikkeling van geneesmiddelen: Gen AI genereert nieuwe moleculaire structuren met gewenste eigenschappen voor kandidaat-geneesmiddelen. Generatieve modellen zoals GAN's en VAE's kunnen nieuwe chemische verbindingen genereren met specifieke farmacologische eigenschappen, waardoor potentiële kandidaat-geneesmiddelen kunnen worden geïdentificeerd en het ontdekkingsproces van geneesmiddelen versnellen.
• Eiwitontwerp en -techniek: Gen AI-technieken worden gebruikt om ontwerpen en engineeren van eiwitten met verbeterde functionaliteiten of specifieke biologische activiteiten. Onderzoekers kunnen nieuwe enzymen, antilichamen of therapeutica ontwerpen voor verschillende toepassingen, waaronder enzymengineering, toediening van medicijnen en immuuntherapie door eiwitsequenties of -structuren met de gewenste eigenschappen te genereren.
• Biologische beeldsynthese: Generatieve modellen realistische biologische beelden synthetiserenzoals microscopiebeelden van cellen, weefsels of organismen. Deze gesynthetiseerde beelden kunnen worden gebruikt om trainingsdatasets voor beeldanalysealgoritmen te vergroten, de generalisatie van modellen voor machinaal leren te verbeteren en gegevens te genereren voor virtueel screenen en testen van algoritmen in silico.
• Genereren van omische gegevens: Gen AI-technieken worden toegepast om synthetische omics-gegevens te genereren, waaronder genomics-, transcriptomics-, proteomics- en metabolomics-gegevens. Synthetische omics-gegevens kunnen worden gebruikt om echte experimentele gegevens aan te vullen, biologische processen te simuleren en computationele modellen te valideren. biomarkers of therapeutische doelen ontdekken.
• Tekst- en literatuurgeneratie: Generatieve modellen genereren op tekst gebaseerde inhoudzoals wetenschappelijke artikelen, literatuuroverzichten of verslagen over interacties tussen geneesmiddelen. Deze gegenereerde teksten kunnen onderzoekers helpen bij literature mining, kennisontdekking en het samenvatten van gegevens, waardoor op literatuur gebaseerd onderzoek en besluitvorming in de biotech- en biowetenschappen gemakkelijker wordt.
• Ontwerp en synthese van biomoleculen: Gen AI-technieken worden gebruikt om nieuwe biomoleculen ontwerpen en synthetiserenzoals peptiden, aptameren of nucleïnezuren, met specifieke functies of eigenschappen. Door sequenties of structuren met de gewenste eigenschappen te genereren, kunnen onderzoekers biomoleculen ontwikkelen voor diagnostiek, therapeutica en biosensortoepassingen.

In het algemeen zorgt Gen AI voor een revolutie in de biotechnologie en biowetenschappen doordat het de generatie van nieuwe gegevensmonsters, moleculen en biologische entiteiten mogelijk maakt, innovatie stimuleert en onderzoek en ontwikkeling op verschillende gebieden versnelt. Naarmate het veld zich verder ontwikkelt, zal Gen AI naar verwachting een steeds grotere rol gaan spelen bij het vormgeven van de toekomst van biotechnologie en biowetenschappen, waaronder klinisch onderzoek. Gen-AI kan helpen om te bepalen welke patiëntencohorten het beste reageren op specifieke geneesmiddelen en zo meer gepersonaliseerde geneeskunde ontwikkelen. Op de operationele en marketingaspectenGeneratieve AI kan de toeleveringsketen, productieprocessen en marketing- en reclamestrategie optimaliseren. 

Wat zijn de zorgen over het gebruik van generatieve AI in de biotechnologie?

• Kwaliteit en vertekening van gegevens: AI-modellen zijn sterk afhankelijk van de kwaliteit en representativiteit van trainingsgegevens. In de biotech- en biowetenschappen kunnen datasets vertekeningen, onnauwkeurigheden of een beperkte diversiteit vertonen, wat de prestaties en het generalisatievermogen beïnvloedt. Vertekeningen in trainingsgegevens kunnen leiden tot het genereren van bevooroordeelde of onrealistische steekproeven, wat de betrouwbaarheid en geldigheid van gegenereerde resultaten belemmert.
• Interpretabiliteit en betrouwbaarheid: Veel AI-technieken, zoals diepe neurale netwerken, zijn complex en ondoorzichtig, waardoor het een uitdaging is om de gegenereerde output te interpreteren en te vertrouwen. In kritieke toepassingen zoals het ontdekken van geneesmiddelen en het ontwerpen van biomoleculen is het van cruciaal belang om te begrijpen hoe en waarom generatieve modellen specifieke resultaten genereren. Gebrek aan interpretabiliteit kan de toepassing van Gen AI in besluitvormingsprocessen en wettelijke goedkeuring belemmeren, waardoor het nut van Gen AI in echte toepassingen wordt beperkt.
• Gegevens in kaart brengen: Het in kaart brengen van gegevens in de biotech- en biowetenschappen vormt een uitdaging vanwege de complexiteit en heterogeniteit van biologische systemen en de diversiteit aan gegevenstypes en -bronnen. Het integreren en in kaart brengen van heterogene datatypes vereist het harmoniseren van datastructuren, ontologieën en metadata om consistentie tussen datasets te garanderen. Uitdagingen bij het in kaart brengen van gegevens kunnen van invloed zijn op de nauwkeurigheid en betrouwbaarheid van AI-modellen die op deze gegevens zijn getraind, wat hun prestaties en toepasbaarheid in echte scenario's beïnvloedt. Het aanpakken van problemen met het in kaart brengen van gegevens is essentieel om de kwaliteit en betrouwbaarheid van gegevensinvoer voor Gen AI-modellen in de biotechnologie en biowetenschappen te waarborgen. 

Dagelijks gebruik van AI voor laboratoriumactiviteiten

Hierboven hebben we de bredere onderzoekstoepassingen genoemd waarin Gen AI kan worden gebruikt. In de dagelijkse laboratoriumpraktijk kan de gemiddelde biowetenschapper Gen AI echter op verschillende manieren gebruiken. Gen-AI kan handmatige en repetitieve taken vervangen, waardoor middelen vrijkomen voor complexere en creatievere taken. 

• Analyse en interpretatie van gegevens: Gen-AI kan wetenschappers helpen om experimentele gegevens efficiënter te analyseren en te interpreteren. Door gebruik te maken van machine-learning algoritmen kunnen wetenschappers modellen trainen om patronen te herkennen, correlaties te identificeren en zinvolle inzichten te extraheren uit complexe datasets, zoals omics-gegevens, biologische beelden of high-throughput screeningresultaten. Gen-AI kan gegevensanalysetaken automatiseren, gegevensinterpretatieprocessen stroomlijnen en bruikbare inzichten bieden om experimenteel ontwerp en besluitvorming in het lab te sturen.
• Experimenteel ontwerp en planning: Gen AI kan wetenschappers helpen bij het ontwerpen en plannen van experimenten door hypotheses te genereren, experimentele omstandigheden te optimaliseren en uitkomsten te voorspellen. Door gebruik te maken van voorspellende modelleringstechnieken kunnen wetenschappers experimentele scenario's simuleren, experimentele uitkomsten voorspellen en optimale experimentele parameters identificeren om de gewenste doelen te bereiken. Gen AI kan helpen bij het optimaliseren van het experimentele ontwerp, het toewijzen van middelen en het beoordelen van risico's, zodat wetenschappers weloverwogen beslissingen kunnen nemen en de experimentele efficiëntie in het lab kunnen maximaliseren.
• Literature Mining en kennisontdekking: Gen AI kan wetenschappers helpen bij literature mining en kennisontdekking door wetenschappelijke literatuur te analyseren, relevante informatie te extraheren en kennis uit verschillende bronnen te synthetiseren. Natuurlijke taalverwerkingstechnieken (NLP) kunnen sleutelbegrippen extraheren, relaties tussen wetenschappelijke entiteiten identificeren en bevindingen uit onderzoeksartikelen, patenten en databases samenvatten. Gen-AI kan literatuurbeoordelingsprocessen automatiseren, literatuurgebaseerd onderzoek vergemakkelijken en de ontdekking van kennis op specifieke onderzoeksgebieden versnellen, zodat wetenschappers op de hoogte blijven van de nieuwste ontwikkelingen en weloverwogen beslissingen kunnen nemen in het lab.

Samenvatting

De integratie van generatieve AI in de biotechnologische industrie brengt aanzienlijke voordelen en zorgen met zich mee. Door gebruik te maken van generatieve AI kunnen onderzoekers de uitdaging aangaan van het navigeren door enorme hoeveelheden ongestructureerde gegevens en ideeën, het stimuleren van afwijkend denken en het faciliteren van samenwerking tussen nicheonderzoeksgebieden. Bovendien stroomlijnt generatieve AI verschillende aspecten van de activiteiten in biotechnologische laboratoria, van het automatiseren van het genereren van inhoud tot het verbeteren van de kwaliteit van wetenschappelijke literatuur. Er blijven echter zorgen bestaan over de kwaliteit en vooringenomenheid van gegevens, de interpreteerbaarheid, betrouwbaarheid en het in kaart brengen van gegevens. Ondanks deze uitdagingen is het dagelijkse gebruik van generatieve AI in laboratoriumoperaties veelbelovend. Het stelt wetenschappers in staat om data-analyse en -interpretatie te verbeteren, experimenteel ontwerp en planning te optimaliseren en literatuur mining en kennisontdekking te versnellen. Naarmate generatieve AI zich blijft ontwikkelen, zal de rol ervan in het revolutioneren van biotechnologisch onderzoek en ontwikkeling zich uitbreiden en de toekomst van precisiegeneeskunde, het ontdekken van medicijnen en andere cruciale gebieden binnen de biowetenschappen vormgeven.