AlphaFold — hoe een AI in twee jaar oploste wat biologen vijftig jaar niet lukte

Op 30 november 2020 kondigde DeepMind iets aan. Hun systeem, AlphaFold 2, had gewonnen in CASP14 — de veertiende Critical Assessment of protein Structure Prediction-competitie. Dit klonk voor buitenstaanders als een obscure wetenschappelijke mijlpaal. Voor biologen was het een aardbeving. Sommigen huilden. Anderen dachten aanvankelijk dat er iets mis was met de meting.

De reden voor die reactie: AlphaFold had op deze competitie experimenteel-nauwkeurige voorspellingen geleverd — niet benaderingen, niet gok-werk, maar 3D-structuren die zo goed waren dat ze in veel gevallen niet te onderscheiden waren van wat röntgenkristallografie zou opleveren. Een probleem dat vijftig jaar lang fundamenteel open stond, was in één sprong grotendeels opgelost.

Om te begrijpen waarom dit zo groot is, moeten we even bij de basis.

Het probleem

Eiwitten zijn de werkpaarden van biologie. Ze doen vrijwel alles wat cellen doen — enzymatische reacties katalyseren, signalen transduceren, structuur bieden, immuunreacties uitvoeren. Elke functie van ons lichaam wordt door eiwitten uitgevoerd.

Een eiwit wordt aangemaakt als een lange keten van aminozuren — 20 verschillende, in een specifieke volgorde. Maar zo'n keten is geen functioneel eiwit. Het moet zich vouwen in een specifieke 3D-vorm. Die vorm bepaalt wat het eiwit kan doen. Een hormoon past in een receptor zoals een sleutel in een slot. Een enzym katalyseert een reactie omdat zijn actieve plek precies de juiste geometrie heeft.

Het probleem: voorspellen hoe een keten zal vouwen, gegeven alleen de volgorde van aminozuren, is computationeel zo moeilijk gebleken dat biologen decennialang vrijwel stil stonden. Cyrus Levinthal wees in 1969 op een ontnuchterende gedachte. Een eiwit van 100 aminozuren heeft astronomisch veel mogelijke vormen. Zou het model elke vorm moeten uitproberen, zou dat veel langer duren dan de leeftijd van het heelal. Toch vouwen eiwitten zich in milliseconden.

Hoe? Biologen hadden jaren van onderzoek, maar een algemeen oplossing was er niet. Voor elk nieuw eiwit waren experimenten nodig — röntgenkristallografie, NMR, cryo-EM — om de 3D-structuur te bepalen. Dat kostte maanden tot jaren per eiwit, miljoenen euro's, en werkte niet voor alle eiwitten.

De CASP-competitie

Sinds 1994 bestaat CASP — een tweejaarlijkse competitie waarin onderzoekers hun voorspellingsmethoden testen tegen eiwitten waarvan de experimentele structuur bekend is bij de organisatoren maar niet bij de deelnemers. Blind-testing. Objectieve meetlat.

De prestaties verbeterden langzaam over drie decennia. In CASP13 (2018) was AlphaFold 1 van DeepMind de winnaar, maar het resultaat was nog niet experimenteel-accuraat. Mooi progress, maar niet het einde van het probleem.

CASP14, in 2020, veranderde dit radicaal. AlphaFold 2 scoorde een GDT (Global Distance Test) score van meer dan 90 — op een schaal waar 100 perfect is en waar ongeveer 90 algemeen wordt beschouwd als "binnen experimentele foutmarge". In de meeste targetten versloeg het alle andere inzendingen met enorme marges.

John Moult, een van de oprichters van CASP, zei in een interview: "This is a massive step forward, by far the biggest in the 50 years since the problem was first articulated." De voorzitter van de commissie wetenschapsadviseurs van het VK noemde het "one of the biggest advances ever made in science — not just in biology".

Wat DeepMind deed

AlphaFold 2 was geen simpel systeem. Het combineerde verschillende ideeën: neurale netwerken, aandachtsmechanismen (vergelijkbaar met transformers), evolutionaire informatie (door vergelijking met andere eiwitten in grote databases), en fysische inzichten over hoe eiwitten vouwen.

De architectuur had meer componenten dan gebruikelijk en vereiste grondige afstemming. Het DeepMind-team was gemiddeld groot voor academische problemen — tientallen onderzoekers werkten er jaren aan. Demis Hassabis, CEO van DeepMind, had eiwit-vouwing jaren als strategische prioriteit vastgelegd omdat hij de wetenschappelijke betekenis ervan begreep.

Het resultaat was niet één universele oplossing voor alle eiwitten, maar een model dat de meeste eiwit-structuren met hoge nauwkeurigheid kon voorspellen. Enkele uitzonderingen bleven — eiwitten zonder veel evolutionaire informatie in databases, bepaalde soorten flexibele structuren, eiwit-eiwit-interacties. Maar de gigantische meerderheid van interessante eiwitten werd nu toegankelijk.

De beslissing om open te maken

Dat had een commerciëel bedrijf kunnen monopoliseren. Ze hadden de voorspellingen kunnen verkopen. In plaats daarvan deed DeepMind iets anders. Ze publiceerden het model en broncode. En — wat nog groter was — ze maakten in 2021 de AlphaFold Protein Structure Database publiek. Binnen een jaar stonden er voorspelde structuren in voor vrijwel elk bekend eiwit op aarde. Meer dan 200 miljoen. Gratis toegankelijk voor iedereen.

Die beslissing was strategisch slim maar ook oprecht genereus. DeepMind bouwde reputatie en goodwill op. Biologen over de hele wereld kregen onmiddellijk toegang tot iets waardevol. De wetenschappelijke voortgang versnelde als gevolg.

Sindsdien is AlphaFold gebruikt in duizenden publicaties, voor honderden medische onderzoeken, in talloze drug discovery-projecten. Het is waarschijnlijk de meest gebruikte AI-toepassing in de biologie ooit. En ze heeft de manier waarop eiwitten-gerelateerde wetenschap gedaan wordt, fundamenteel veranderd.

De Nobelprijs

In oktober 2024 kondigde het Nobelcomité dat de Nobelprijs voor Scheikunde 2024 naar drie mensen ging. Een helft naar David Baker van de University of Washington voor zijn werk aan het ontwerpen van nieuwe eiwitten. De andere helft naar Demis Hassabis en John Jumper van DeepMind, voor AlphaFold.

Het was een gewicht vol moment. AI-werk kreeg de hoogste wetenschappelijke erkenning. DeepMind — een onderzoekslaboratorium van Google — kreeg de Nobelprijs niet voor een commercieel succes maar voor een gedoneerde wetenschappelijke bijdrage. Het was een bevestiging dat AI niet alleen een consumentenproduct is, maar een werkelijke wetenschappelijke methode die baanbrekend onderzoek mogelijk maakt.

Hassabis zei in zijn Nobellezing iets dat blijvend is: "Ik zag vandaag een bericht dat onderzoekers AlphaFold gebruikten om een nieuwe behandeling voor een zeldzame ziekte te ontwikkelen. Dat is wat dit werk was." Niet de prijs. Niet de publiciteit. De nuttige gevolgen in de échte wereld.

Wat er na komt

AlphaFold 3, aangekondigd in mei 2024, gaat verder. Het kan niet alleen enkele eiwitten voorspellen maar ook eiwit-eiwit-interacties, eiwit-DNA-bindingen, eiwit-ligand-complexen. Dat opent nieuwe deuren voor drug discovery — nu kun je voorspellen hoe een medicijn-kandidaat aan een doel-eiwit bindt, zonder dure en trage experimenten.

Andere groepen hebben vergelijkbaar werk gedaan. ESMFold van Meta (2022), Baker's RoseTTAFold, verschillende academische groepen. Het is geen alleen-DeepMind-probleem meer. Het is een heel nieuwe tak van wetenschap die is ontstaan.

Toepassingen expanderen voortdurend. In drug discovery worden potentiële medicijnen virtueel gescreend tegen miljoenen eiwit-targets in weken, niet jaren. In biotechnologie worden enzymen ontworpen voor industriële toepassingen — afbraak van plastic, koolstof-vastlegging, efficiëntere voedselproductie. In biomedisch onderzoek wordt begrip van ziektes zoals Alzheimer en Parkinson versneld door inzicht in de eiwitmissvorming die eraan ten grondslag ligt.

Wat dit over AI vertelt

Er is een populaire narratief dat AI vooral economische waarde creëert door gewone werk over te nemen — beter customer service, betere content, betere automatiseringen. Dat is echt, maar het is niet het hele verhaal.

AlphaFold laat zien dat AI ook fundamentele wetenschappelijke doorbraken kan leveren. Probleem dat eeuwen niet oploste → oplossing. Dat is een ander soort waarde dan alleen efficiëntie. Het is creatie van nieuwe mogelijkheden die eerder principieel onbereikbaar waren.

Niet elke wetenschappelijk probleem is vatbaar voor deze aanpak. AlphaFold werkte mede omdat er enorme databases beschikbaar waren (UniProt met miljoenen eiwitsequenties), omdat de taak wiskundig redelijk gedefinieerd was (volgorde → vorm), en omdat evolutie-informatie een krachtige signal bood. Andere wetenschappelijke problemen voldoen niet aan deze voorwaarden.

Maar waar ze wel voldoen — eiwit-vouwing, materiaalontdekking, sommige wiskundige problemen, klimaatvoorspelling — is AI nu een serieus bijkomend wetenschappelijk gereedschap. Niet als vervanger van wetenschappers, maar als versneller van wat ze kunnen doen.

De onvolkomen conclusie

Het eiwit-vouwingsprobleem is grotendeels opgelost. Niet helemaal — randgevallen blijven — maar in de kern. Vijftig jaar van wetenschappelijke inspanning, gevolgd door een paar jaar AI-onderzoek. Dat laat zien hoe specifieke AI-methoden, goed ingezet, een domein compleet kunnen transformeren.

Voor wie in AI werkt is AlphaFold een continu referentiepunt. Niet elke AI-toepassing zal deze impact hebben. Maar AlphaFold bewijst dat AI niet alleen incrementele verbetering oplevert — ze kan, onder de juiste omstandigheden, deuren openen die decennialang gesloten waren.

Voor miljoenen mensen die ooit kunnen profiteren van medicijnen die mede met behulp van AlphaFold zijn ontwikkeld, is dat niet abstract. Dat is concreet betere behandelingen voor Alzheimer, voor zeldzame ziektes, voor kankers die nu onbehandelbaar zijn. De volle vruchten komen over jaren of decennia. Maar de zaden zijn in 2020 gezaaid, in een stille wetenschappelijke competitie, toen een AI een probleem oploste dat niemand had verwacht in onze levensfase opgelost te zien.

Dat is wat AI, op zijn beste momenten, kan zijn. Niet een spiegel van mensheid. Niet een vervanging van werk. Maar een genadedatum voor problemen die onze eigen methoden niet aan konden. En in zekere zin — een vergroting van wat menselijke wetenschap kan bereiken, met hulp.

AlphaFold is die belofte, waargemaakt. De rest is perspectief.