30 september 2026
Kunstmatige intelligentie wordt meestal gekoppeld aan chatbots, robots, zelfrijdende auto’s en datacenters vol GPU’s. In Nederland wordt AI ondertussen ingezet voor een veel minder voor de hand liggende toepassing: het ontrafelen van de biologische geheimen van schimmels.
Een recent Nederlands onderzoek binnen het AiNed XS-programma gebruikt machine learning om grote hoeveelheden biologische gegevens over schimmels te combineren. Het doel is niet om een betere chatbot te bouwen, maar om te ontdekken welke eigenschappen schimmels bruikbaar kunnen maken voor duurzame materialen, alternatieve eiwitten en biobrandstoffen.
Daarmee laat het project zien waar een belangrijk deel van de volgende AI-golf vandaan kan komen: niet alleen uit softwarebedrijven, maar uit de combinatie van AI met biologie.
Schimmels zijn eigenlijk kleine biologische fabrieken
Schimmels spelen een veel grotere rol in de economie dan de meeste mensen beseffen.
Ze kunnen plantaardig materiaal afbreken en omzetten in andere stoffen. Sommige schimmels produceren eiwitten en enzymen die bruikbaar zijn in industriële processen. Andere kunnen worden ingezet bij de productie van voedsel, chemicaliën of brandstoffen.
Het probleem is dat wetenschappers vaak nog onvoldoende begrijpen waarom een bepaalde schimmel precies doet wat hij doet.
Dat komt mede doordat de biologische informatie verspreid is over verschillende soorten datasets.
Genetische informatie.
Eiwitten.
Evolutionaire gegevens.
Fysiologische eigenschappen.
En informatie over de omgeving waarin een organisme groeit.
Voor mensen is het buitengewoon moeilijk om al die informatie tegelijk te analyseren.
Voor machine-learningmodellen is juist het combineren van grote hoeveelheden gegevens een van de interessante toepassingen.
AI zoekt naar de genen die het belangrijkst kunnen zijn
Het onderzoek van bio-informaticus Mao Peng richt zich onder meer op het identificeren van eiwitten die schimmels gebruiken.
Die eiwitten kunnen commercieel interessant zijn.
Vergelijkbare enzymen worden bijvoorbeeld gebruikt in wasmiddelen en bij processen voor biobrandstofproductie.
Traditioneel moet een onderzoeker grote aantallen kandidaatgenen experimenteel testen om te ontdekken welke genen verantwoordelijk zijn voor een bepaald eiwit.
Dat kan veel tijd kosten.
AI kan die volgorde veranderen.
In plaats van honderden of duizenden mogelijkheden allemaal eerst experimenteel te onderzoeken, kan een model kandidaten rangschikken en onderzoekers vertellen welke mogelijkheden waarschijnlijk het interessantst zijn.
Daarmee wordt AI geen vervanger van het laboratorium.
Het wordt een filter vóór het laboratorium.
En dat kan wetenschappelijk onderzoek aanzienlijk versnellen.
De opvallendste les: er is geen supermodel voor nodig
Misschien wel het interessantste detail van het project is dat de onderzoekers geen extreem geavanceerde frontier-AI nodig hadden.
Volgens Peng werden relatief standaard machine-learningmethoden gebruikt voor een ingewikkeld biologisch probleem.
Dat is belangrijk.
De AI-industrie wordt momenteel gedomineerd door berichten over modellen die miljarden dollars kosten om te trainen.
Maar veel praktische wetenschappelijke toepassingen hebben helemaal geen model van die omvang nodig.
Het echte voordeel kan ontstaan wanneer een relatief bescheiden AI-model wordt gecombineerd met een unieke dataset en specialistische kennis.
Een klein model dat een zeer specifiek biologisch probleem goed begrijpt, kan in een laboratorium uiteindelijk waardevoller zijn dan een gigantisch algemeen model dat van alles een beetje weet.
Van schimmels naar alternatieve eiwitten
Het Nederlandse project heeft inmiddels ook geholpen bij het selecteren van schimmelsoorten die geschikt kunnen zijn voor de productie van alternatieve eiwitbronnen uit plantaardig materiaal.
Daarmee komt AI rechtstreeks terecht in een van de grote economische vragen van de komende decennia.
Hoe produceren we voedsel met minder grondstoffen?
Hoe zetten we afvalstromen om in bruikbare producten?
Hoe maken we biobrandstoffen efficiënter?
En hoe kunnen we materialen produceren zonder volledig afhankelijk te zijn van fossiele grondstoffen?
Schimmels kunnen daarin een rol spelen omdat ze biologische processen uitvoeren die in sommige gevallen als natuurlijke productiefabrieken kunnen functioneren.
AI kan helpen ontdekken welke organismen daarvoor het meest geschikt zijn.
Het kan een nieuwe manier van biotech opleveren
De combinatie van AI en biotechnologie wordt daardoor steeds interessanter.
Een traditioneel onderzoeksproces kan jaren duren:
hypothese → experiment → resultaat → nieuw experiment.
Met AI kan daar een voorspellende laag tussen komen:
data → AI-selectie → gericht experiment → nieuw resultaat → nieuw AI-model.
De computer bepaalt dan niet zelf wat de natuur doet.
Hij helpt wetenschappers vooral om minder blind te zoeken.
Dat kan de snelheid van biologische innovatie verhogen.
Nederland probeert hiermee ook een ander soort AI-industrie te bouwen
De ontwikkeling past in een bredere Nederlandse strategie waarin AI niet uitsluitend wordt gezien als technologie voor softwarebedrijven.
De Nederlandse overheid heeft deze maand bijvoorbeeld 120 miljoen euro gereserveerd voor Nederlandse deelname aan het Europese IPCEI-AI-programma, gericht op strategische AI-infrastructuur en industriële toepassingen.
Tegelijkertijd ondersteunt AiNed onderzoek waarin AI wordt gekoppeld aan Nederlandse expertisegebieden.
Dat is relevant voor een land dat moeilijk kan concurreren met de Verenigde Staten en China als het uitsluitend probeert het grootste algemene AI-model te bouwen.
Een andere route is om AI te combineren met sectoren waarin Nederland al sterke kennis heeft.
Landbouw.
Biotechnologie.
Hightechindustrie.
Logistiek.
Semiconductors.
Water.
Energie.
Daar kan gespecialiseerde AI economische waarde creëren zonder dat Nederland zelf de grootste modelbouwer ter wereld hoeft te worden.
De volgende AI-doorbraak hoeft daarom helemaal geen chatbot te zijn
De schimmelstudie is misschien klein vergeleken met de miljardeninvesteringen van OpenAI, Google, Anthropic en Nvidia.
Maar het laat een ontwikkeling zien die de komende jaren belangrijk kan worden.
AI wordt langzaam een infrastructuurlaag voor wetenschap.
Niet alleen een programma waarmee mensen teksten schrijven, maar een instrument waarmee onderzoekers patronen ontdekken die ze zelf onmogelijk volledig kunnen overzien.
Vandaag zijn het schimmels.
Morgen kunnen het nieuwe medicijnen, materialen, gewassen of industriële enzymen zijn.
En juist daar kan een relatief klein Nederlands onderzoeksproject uiteindelijk een veel grotere betekenis krijgen.
Laat een reactie achter