AI-eiwitontwerp: hoe neurale netwerken enzymen creëren die niet in de natuur voorkomen
De natuur heeft miljarden jaren besteed aan de ontwikkeling van enzymen: eiwitten die chemische reacties snel en efficiënt laten verlopen. Toch heeft de natuurlijke evolutie nooit alle problemen hoeven oplossen waarmee de moderne chemie wordt geconfronteerd, van de productie van gespecialiseerde geneesmiddelen tot de verwerking van ongebruikelijke industriële materialen. Kunstmatige intelligentie biedt hiervoor een andere aanpak. Onderzoekers kunnen tegenwoordig volledig nieuwe eiwitstructuren ontwerpen, deze in het laboratorium produceren en testen of ze een specifieke chemische reactie kunnen uitvoeren. In 2026 heeft deze werkwijze al functionerende enzymen opgeleverd met structuren die niet bij hun natuurlijke tegenhangers voorkomen.
Waarom wetenschappers eiwitten ontwerpen die verder gaan dan de natuur
Een enzym is een eiwit dat bestaat uit een keten van aminozuren die zich opvouwt tot een specifieke driedimensionale structuur. Binnen die structuur bevindt zich een klein gebied, de actieve plaats, waar een chemische stof zich kan binden en een reactie kan ondergaan. De omliggende eiwitstructuur houdt de juiste onderdelen op hun plaats, waardoor een reactie vaak onder mildere omstandigheden kan verlopen dan bij traditionele industriële chemische processen nodig zou zijn. Een eiwit dat perfect functioneert binnen een cel, is echter niet noodzakelijk geschikt voor een onbekende chemische verbinding, een fabrieksproces of een nieuw ontwikkeld materiaal.
Wetenschappers verbeteren enzymen al tientallen jaren door kleine wijzigingen aan te brengen in bestaande eiwitten en vervolgens te meten welke varianten beter functioneren. Deze methode staat bekend als gerichte evolutie en blijft een krachtig hulpmiddel. Een belangrijke beperking is echter dat onderzoekers doorgaans een geschikt bestaand enzym nodig hebben, of op zijn minst een eiwit dat al enige activiteit vertoont. De novo-eiwitontwerp volgt een andere aanpak: onderzoekers beginnen met de gewenste functie en werken vervolgens aan een volledig nieuw eiwit dat deze taak kan uitvoeren.
De uitdrukking ‘niet in de natuur voorkomend’ vraagt om een zorgvuldige interpretatie. Een kunstmatig enzym kan een nieuwe aminozuurvolgorde hebben, een ongebruikelijke ruimtelijke structuur bezitten of een combinatie van chemische groepen bevatten die niet bij bekende eiwitten is aangetroffen. Sommige van de meest overtuigende recente onderzoeken bootsen bewust bekende chemische reacties na binnen volledig nieuwe eiwitstructuren, omdat dit een betrouwbare manier is om de ontwerpmethode te testen. Andere experimenten richten zich op reacties die natuurlijke enzymen zelden of mogelijk helemaal niet uitvoeren. Beide benaderingen zijn waardevol, maar beantwoorden verschillende vragen over wat kunstmatige intelligentie daadwerkelijk kan ontwikkelen.
Wat neurale netwerken leren over de structuur van eiwitten
Neurale netwerken herkennen patronen door te leren van grote verzamelingen eiwitsequenties, experimenteel bepaalde structuren en onderzoeksresultaten. Deze training helpt modellen te voorspellen welke aminozuren waarschijnlijk goed bij elkaar passen, welke ruimtelijke vormen fysisch mogelijk zijn en hoe een verandering in het ene deel van een eiwit een ander deel kan beïnvloeden. Dit betekent niet dat de software de chemie volledig begrijpt. Het betekent wel dat wetenschappers een enorm aantal mogelijke ontwerpen gerichter kunnen onderzoeken dan wanneer zij uitsluitend willekeurige combinaties zouden testen.
Verschillende AI-systemen vervullen daarbij verschillende functies. AlphaFold heeft het voorspellen van eiwitstructuren aanzienlijk toegankelijker gemaakt. AlphaFold 3, dat in 2024 werd beschreven in het wetenschappelijke tijdschrift Nature, breidde deze mogelijkheden uit naar interacties tussen eiwitten, kleine moleculen en andere biologische componenten. Dergelijke voorspellingen helpen onderzoekers te beoordelen hoe een ontworpen enzym zich mogelijk opvouwt en hoe het een reagerend molecuul kan opnemen. Ze bewijzen echter niet dat de gewenste chemische reactie daadwerkelijk zal plaatsvinden.
Generatieve AI-systemen richten zich op een aanvullende uitdaging: het ontwikkelen van iets nieuws. RFdiffusion, geïntroduceerd in 2023, kan eiwitskeletten construeren rond een gewenste combinatie van structurele of functionele kenmerken, in plaats van uitsluitend de vorm van een bekende aminozuurvolgorde te voorspellen. Andere modellen, waaronder ProteinMPNN en verwante hulpmiddelen, helpen bij het bepalen van aminozuurvolgorden die de voorgestelde structuren waarschijnlijk ondersteunen. Wetenschappers blijven verantwoordelijk voor het bepalen van de gewenste reactie, het vastleggen van de chemische vereisten en het selecteren van ontwerpen die experimenteel onderzoek verdienen.
Hoe AI een chemisch doel omzet in een werkend enzym
Het ontwerpproces begint vaak met een gewenste chemische omzetting in plaats van met een bestaand eiwit. Onderzoekers bepalen welke chemische binding zij willen verbreken of vormen en onderzoeken welke chemische groepen daarbij kunnen helpen. De actieve plaats van een enzym moet deze groepen in precies de juiste positie ten opzichte van het reagerende molecuul houden. Een modern AI-systeem kan vervolgens helpen om de omliggende eiwitstructuur zo te ontwerpen dat de katalytische groepen op hun plaats blijven, in plaats van bestaande eiwitten te doorzoeken op een geschikte ruimte.
In de volgende fase worden talrijke mogelijke structuren gegenereerd en bijbehorende aminozuurvolgorden voorgesteld. Computermodellen beoordelen vervolgens of iedere kandidaat zich waarschijnlijk correct zal opvouwen, of de actieve plaats haar beoogde vorm behoudt en of er voldoende ruimte is voor het reagerende molecuul. Sommige nieuwere methoden onderzoeken meerdere momenten tijdens de chemische reactie, omdat een succesvol enzym een reeks veranderingen moet begeleiden en niet slechts één onveranderlijke moleculaire configuratie moet vasthouden. Dit vermindert de benodigde hoeveelheid experimenteel werk, maar zelfs ontwerpen met uitstekende voorspelde eigenschappen blijven hypothesen totdat ze daadwerkelijk zijn geproduceerd en getest.
Laboratoriumonderzoek vormt de beslissende fase. Wetenschappers bestellen doorgaans DNA dat de genetische instructies voor het geselecteerde eiwit bevat, gebruiken levende cellen om het eiwit te produceren, zuiveren het verkregen materiaal en brengen het in contact met de beoogde stof. Vervolgens meten ze of het verwachte reactieproduct ontstaat, hoe snel de omzetting verloopt en hoe consistent het enzym functioneert. Controle-experimenten moeten aantonen dat het resultaat werkelijk door het ontworpen eiwit wordt veroorzaakt en niet door een ongewenste achtergrondreactie. Een positief resultaat bevestigt dat het enzym katalytisch actief is. Aanvullend onderzoek moet vervolgens uitwijzen of het voldoende selectief, stabiel en bruikbaar is buiten zorgvuldig gecontroleerde laboratoriumomstandigheden.
Laboratoriumdoorbraken die het potentieel van AI bevestigen
Een onderzoek dat in 2025 in Science werd gepubliceerd, beschreef nieuw ontworpen serinehydrolasen: enzymen die bepaalde chemische bindingen verbreken met behulp van een nauwkeurig georganiseerde groep aminozuren. Onderzoekers combineerden RFdiffusion met een andere methode op basis van neurale netwerken om te beoordelen of de actieve plaats gedurende meerdere stappen van een reactie goed zou blijven functioneren. De laboratoriumresultaten lieten katalytische efficiënties zien tot 4.300 M⁻¹ s⁻¹, een standaardmaat voor de prestaties van enzymen. Bovendien kwamen de experimenteel bepaalde eiwitstructuren nauw overeen met de voorspellingen. Belangrijk is dat de ontworpen enzymen een andere ruimtelijke vouwing hadden dan natuurlijke vertegenwoordigers van deze enzymfamilie.
Een andere belangrijke ontwikkeling verscheen in Nature, in een onderzoek dat in december 2025 online werd gepubliceerd en onderdeel was van de editie van januari 2026. De onderzoekers introduceerden Riff-Diff, een methode die met AI gegenereerde eiwitstructuren combineert met een nauwkeurige verfijning van hun katalytische plaatsen. Ze ontwikkelden enzymen voor twee verschillende reacties: retro-aldolsplitsing en de Morita-Baylis-Hillman-reactie, waarbij een binding tussen twee koolstofatomen wordt gevormd. Structurele metingen van zes ontwerpen bevestigden bovendien dat de gerealiseerde actieve plaatsen sterk overeenkwamen met de oorspronkelijke ontwerpen. Daarmee werd aangetoond dat nauwkeurig georganiseerde katalytische onderdelen in nieuwe eiwitstructuren kunnen worden ingebouwd.
In een ander onderzoek dat in 2026 in Nature verscheen, gebruikten wetenschappers RFdiffusion2 om zinkhoudende enzymen te creëren die met behulp van water chemische bindingen kunnen verbreken. Ze testten eerst 96 ontwerpen experimenteel en onderzochten vervolgens nog eens 96 kandidaten, waarbij verschillende actieve katalysatoren werden gevonden. De beste ontwerpen uit de tweede onderzoeksronde bereikten katalytische efficiënties tot 53.000 M⁻¹ s⁻¹. Een experimenteel bepaalde kristalstructuur kwam bovendien nauw overeen met de computervoorspelling. Verwant onderzoek in Nature Methods liet zien dat RFdiffusion2 in een computationele benchmark alle 41 onderzochte configuraties van actieve plaatsen kon accommoderen, tegenover 16 configuraties met een eerdere methode.
Wat kunstmatige enzymen in de praktijk kunnen veranderen
De geneeskunde en de productie van gespecialiseerde chemische stoffen behoren tot de meest interessante toepassingsgebieden. Een chemische verbinding kan voorkomen in twee vormen die elkaars spiegelbeeld zijn, terwijl voor een geneesmiddel mogelijk slechts één vorm gewenst is. Enzymen kunnen een voorkeur hebben voor een specifieke vorm, waardoor mogelijk minder ongewenste bijproducten ontstaan en minder aanvullende zuiveringsstappen nodig zijn. In een onderzoek dat in 2025 in Science werd gepubliceerd, bouwden wetenschappers nieuwe eiwitten rond metaalhoudende moleculen en demonstreerden ze katalysatoren voor verschillende reacties, waaronder cyclopropanering. Vier van de tien geteste ontwerpen vertoonden een voorkeur van meer dan 99:1 voor de ene spiegelbeeldvorm boven de andere.
Milieutoepassingen vormen een andere belangrijke reden om katalysatoren met nieuwe eigenschappen te ontwikkelen. Het vaak genoemde enzym FAST-PETase laat zowel de mogelijkheden als een belangrijk onderscheid zien. In het onderzoek dat in 2022 in Nature verscheen, werd machine learning gebruikt om een bestaand plasticafbrekend enzym te verbeteren, niet om volledig vanaf nul een nieuw enzym te creëren. Tijdens laboratoriumexperimenten rapporteerden onderzoekers een vrijwel volledige afbraak binnen een week van monsters afkomstig van 51 soorten gebruikte PET-verpakkingen. Dit liet zien hoe AI-ondersteunde enzymontwikkeling zou kunnen bijdragen aan recycling, maar bewees niet dat alle soorten plastic op industriële schaal kunnen worden verwerkt.
Ook de voedingsmiddelenindustrie, textielproductie en vervaardiging van fijnchemicaliën kunnen profiteren van enzymen die specifiek zijn afgestemd op bepaalde materialen en productieomstandigheden. In plaats van een fabriek aan te passen aan een kwetsbaar natuurlijk eiwit, zouden onderzoekers katalysatoren kunnen ontwikkelen die bestand zijn tegen de benodigde temperatuur, zuurgraad of oplosmiddelen. De praktische voordelen hangen echter af van het volledige productieproces: hoe goedkoop het eiwit kan worden geproduceerd, hoelang het actief blijft en of het opnieuw kan worden gebruikt. De belangrijkste vergelijking gaat daarom niet simpelweg tussen AI en de natuur, maar tussen kosten, betrouwbaarheid en milieubelasting gedurende het gehele productieproces.
Wat AI-eiwitontwerp in 2026 nog niet kan garanderen
De grootste wetenschappelijke uitdaging is dat enzymactiviteit afhankelijk is van beweging en chemische processen, niet uitsluitend van een correct ogende structuur. Een katalytische plaats kan er precies zo uitzien als ontworpen, maar toch verkeerd reageren met water, het doelmolecuul te stevig vasthouden of het reactieproduct niet goed loslaten. Een chemische reactie kan uit meerdere stappen bestaan, waarbij telkens een iets andere ruimtelijke rangschikking van atomen nodig is. Recente AI-methoden houden steeds beter rekening met deze veranderingen, maar natuurlijke enzymen kunnen nog altijd beter presteren dan veel kunstmatige varianten. Laboratoriummetingen blijven daarom noodzakelijk om werkelijk bruikbare katalysatoren te onderscheiden van eiwitten die alleen op een computerscherm veelbelovend lijken.
Praktische problemen verdwijnen bovendien niet zodra een chemische reactie succesvol verloopt. Sommige kunstmatige eiwitten zijn moeilijk in bruikbare hoeveelheden te produceren, terwijl andere tijdens opslag of onder industriële omstandigheden hun activiteit verliezen. Onderzoekers moeten ongewenste nevenreacties, reproduceerbaarheid, veiligheid en de invloed van andere stoffen in werkelijke productiemengsels onderzoeken. Voor medische toepassingen is aanvullend bewijs nodig over de kwaliteit en geschiktheid voor het beoogde gebruik. Verantwoorde vooruitgang vereist dat beperkingen even duidelijk worden beschreven als succesvolle resultaten.
In 2026 zijn met AI ontworpen enzymen niet langer uitsluitend een aantrekkelijk wetenschappelijk idee. Onderzoekers hebben niet eerder waargenomen eiwitstructuren gebouwd, hun vormen experimenteel bevestigd en aangetoond dat ze geselecteerde chemische reacties kunnen katalyseren. De volgende uitdaging is om dergelijke successen minder uitzonderlijk te maken: meer verschillende reacties mogelijk maken, het aantal onsuccesvolle kandidaten verminderen en katalysatoren ontwikkelen die ook onder veeleisende praktijkomstandigheden effectief blijven. De belangrijkste verandering is niet dat computers het laboratoriumonderzoek hebben vervangen, maar dat wetenschappers tegenwoordig kunnen beginnen met een specifieke chemische taak en vervolgens een nieuw eiwit kunnen bouwen om deze uit te voeren.
