Kunstmatige intelligentie versnelt het ontwerpen van genetische circuits op basis van data

Het ontwerpen van genetische circuits ondergaat een fundamentele transformatie. Waar voorheen de methode van 'trial-and-error' de boventoon voerde, verschuift de biotechnologie nu naar een proces dat volledig wordt aangestuurd door geavanceerde berekeningen en voorspellende modellen. Deze ontwikkeling brengt het vakgebied dichter bij een volwaardige technische discipline. Een genetisch circuit is in essentie een gestructureerde DNA-sequentie die de genactiviteit reguleert volgens specifieke logische regels, waardoor het mogelijk wordt om cellen te programmeren voor het uitvoeren van nauwkeurige instructies. Deze circuits kunnen fungeren als schakelaars, oscillatoren of geheugensystemen die cellulaire informatie organiseren om gedrag op een voorspelbare manier te sturen.

De toepassingsmogelijkheden van dergelijke circuits zijn enorm, variërend van het moduleren van immuunresponsen tot de gecontroleerde synthese van waardevolle moleculen in het menselijk lichaam. Dit effent de weg voor complexere strategieën binnen de cellulaire therapie. Een cruciale doorbraak, die in januari 2026 in het wetenschappelijke tijdschrift Nature werd belicht, is de ontwikkeling van de CLASSIC-technologie (Combining Long- and Short-range Sequencing to Investigate Genetic Complexity). Onderzoekers van Rice University hebben hiermee een methode gecreëerd om honderdduizenden of zelfs miljoenen verschillende ontwerpen voor genetische circuits in één enkele analysestap te construeren en te testen.

Om de activiteit van deze circuits in menselijke celculturen op grote schaal te monitoren, koppelden de wetenschappers elk ontwerp aan de expressie van een fluorescent eiwit. Door de helderheid van de lichtemissie te meten, kon het gedrag van elke variant nauwkeurig worden beoordeeld. De daaropvolgende sequencing van bijbehorende barcodes creëerde een gedetailleerde kaart die specifieke DNA-sequenties verbond met de waargenomen cellulaire kenmerken. Professor Caleb Bashor van het Rice Institute of Synthetic Biology merkte op dat deze methodiek helpt om sequenties direct aan gedrag te koppelen, waardoor men effectief de 'naald in de hooiberg' kan vinden binnen de enorme biologische complexiteit.

De grootschalige data die uit deze experimenten voortkwamen, boden de noodzakelijke basis voor het trainen van Machine Learning- en AI-modellen. Deze modellen bleken in staat om te herkennen welke kenmerken van een DNA-sequentie overeenkomen met specifieke functionele uitingen. Ze toonden een grotere nauwkeurigheid in het voorspellen van functies dan modellen die uitsluitend op fysische principes waren gebaseerd. Deze computationele aanpak vormt de hoeksteen voor onderzoek binnen de complexe biologische omgeving van menselijke cellen. In tegenstelling tot traditionele methoden, zoals de 'DNA-origami' die in 2006 door Paul Rothemund werd geïntroduceerd, waarbij elke nieuwe structuur tijdrovend en kostbaar vanaf nul moest worden berekend, omzeilt de AI-benadering deze beperkingen.

Het resultaat is een voorspellend instrument dat proactief nieuwe sequenties kan voorstellen met de gewenste eigenschappen, wat de efficiëntie van het ontwerpproces drastisch verhoogt. De demonstratie van deze systematische, door AI gestuurde aanpak in menselijke celsystemen baant de weg voor een sneller en rationeler ontwerp van geavanceerde celtherapieën vanaf 2026. Het tilt genetische manipulatie uit de sfeer van routinematige experimenten naar het domein van data-gedreven engineering. In aanverwante sectoren heeft het bedrijf Basecamp Research het EDEN-model gepresenteerd, dat is getraind op evolutionaire data om moleculaire instrumenten te ontwerpen voor de programmeerbare invoeging van grote DNA-fragmenten.

Deze innovatie heeft inmiddels geleid tot de ontwikkeling van CAR-T-cellen die in laboratoriumomstandigheden meer dan 90% van de kankercellen vernietigen. De overgang naar een technisch ontwerp, ondersteund door kunstmatige intelligentie, wordt hiermee de dominante vector in biotechnologisch onderzoek. Het uiteindelijke doel is de creatie van complexe cellulaire systemen en therapeutische oplossingen die voorheen onbereikbaar waren, waarbij data de leidraad vormt voor elke genetische interventie.