Onderzoekers van het Shanghai Institute of Organic Chemistry van de Chinese Academie van Wetenschappen hebben een generatief model voor kunstmatige intelligentie ontwikkeld dat eiwit-eiwit-interacties met atomaire resolutie voorspelt, volgens een studie gepubliceerd in de Proceedings of the National Academy of Sciences (PNAS) op 9 juni 2026. Het model, genaamd Void-X, hanteert een fundamenteel andere benadering van eiwitontwerp door interfaces te bouwen vanaf individuele atomen naar boven, in plaats van eerst een algehele eiwitvorm te modelleren.
Het werk, geleid door Drs. Yang Jing, Yuan Junying en James J. Chou werden benadrukt door de Chinese Academie van Wetenschappen en gerapporteerd door Phys.org. Het voegt een nieuw hulpmiddel toe aan een snel evoluerend veld waarin AI steeds vaker wordt gebruikt om de moleculaire machines te ontwerpen die ten grondslag liggen aan medicijnen, materialen en synthetische biologie. Voor meer context over dit verhaal, zie ons AI-trends.
Waarom eiwit-eiwitinteracties belangrijk zijn
Eiwitten zijn de moleculaire werkpaarden van het menselijk lichaam. Ze bouwen weefsels, transporteren moleculen, reguleren de cellulaire communicatie en verdedigen zich tegen infecties. Veel van de belangrijkste medicijnen – waaronder antilichaamtherapieën voor kanker en insuline voor diabetes – werken door interactie met specifieke eiwitten of door het vervangen van eiwitten die ontbreken of niet goed werken.
Omdat zoveel biologische processen afhankelijk zijn van de manier waarop eiwitten aan elkaar binden, zou het vermogen om eiwit-eiwitinteracties nauwkeurig te voorspellen en te manipuleren de ontdekking van geneesmiddelen kunnen versnellen en onvervulde medische behoeften kunnen aanpakken. De vooruitgang op dit gebied vormt ook een aanvulling op de snelle vooruitgang op het gebied van toedieningstechnologieën, zoals adeno-geassocieerde virusvectoren en mRNA-lipidenanodeeltjes, die therapeutische moleculen naar cellen transporteren.
Een bottom-up benadering in plaats van top-down
De meeste bestaande AI-frameworks voor eiwitontwerp volgen een top-downstrategie: ze genereren eerst een algehele eiwitscaffold die op een doellocatie past en ontwerpen vervolgens een sequentie om de binding te optimaliseren. Void-X keert die logica om.
Het model is een atomair vulsysteem. Het is getraind om interactiepatronen op atomaire schaal te herkennen en de ‘leemtes’ – de hiaten – binnen eiwitinterfaces op te vullen. De leidende veronderstelling is dat stabiele macromoleculaire complexen bij elkaar worden gehouden door optimale atomaire pakking, die voortkomt uit lokale interacties tussen naburige atomen en uit koppelingen van hogere orde met verder weg gelegen atomen. In plaats van een volledige eiwitvorm te ontwerpen, genereert Void-X direct compacte atomaire clusters die zijn geoptimaliseerd voor strakke verpakking binnen een gespecificeerd structureel gebied, waardoor het ontwerp een fysiek gegronde basis krijgt.
Getraind op acht miljoen atomaire clusters
Om Void-X te trainen, verzamelden de onderzoekers een dataset van meer dan acht miljoen bolvormige atomaire clusters, afkomstig van experimenteel bepaalde structuren die waren gedeponeerd in de Protein Data Bank. Voor elke cluster werd ongeveer 30% van de perifere, ruimtelijk aaneengesloten atomen gemaskeerd, terwijl de overige atomen dienden als de ‘context’ – in feite een prompt – die het model gebruikte om de ontbrekende atomen te voorspellen.
Het resulterende netwerk bevat 172 miljoen parameters en bereikte een sterke voorspellende nauwkeurigheid: 78,3% voor atomaire clusters binnen de keten en 68,2% voor clusters tussen de ketens, rapporteerden de onderzoekers.
Wat het betekent voor de ontdekking van geneesmiddelen en daarbuiten
Volgens de auteurs maken deze mogelijkheden de de novo generatie van eiwitinteracties met atomaire resolutie mogelijk, wat zij omschrijven als een complementaire en fysiek intuïtieve route voor eiwitontwerp. Door details op atomair niveau te combineren met generatieve modellering, breidt Void-X de toolkit uit voor het rationeel engineeren van biomoleculaire interfaces.
Dat is belangrijk omdat het interfaceontwerp de kern vormt van de moderne medicijnontwikkeling. Betere computationele hulpmiddelen om te voorspellen hoe een kandidaatmolecuul zich aan zijn eiwitdoelwit zal binden, kunnen het pad van idee naar therapie verkorten, de afhankelijkheid van dure ‘trial-and-error’-experimenten verminderen en het gemakkelijker maken om eiwitten te ontwerpen voor geheel nieuwe functies in de synthetische biologie.
Een groeiend veld
Void-X arriveert te midden van een golf van AI-aangedreven eiwitwerk. Van structuurvoorspelling tot generatief ontwerp dat uit alle atomen bestaat, onderzoekers streven gestaag naar het vermogen om biomoleculaire interacties met volledige atomaire resolutie te modelleren. Eerdere generatieve systemen die volledig uit atomen bestaan, hebben al de haalbaarheid aangetoond van het ontwerpen en voorspellen van interacties op die schaal, en Void-X draagt bij aan een duidelijke, op de eerste plaats inpakkende strategie.
De maskeertruc waardoor het werkt
De trainingsmethode van Void-X leent een pagina uit het taalmodel-playbook. Door ongeveer 30% van de atomen in elk trainingscluster te maskeren en het model te vragen deze uit de omringende context af te leiden, veranderden de onderzoekers de structurele biologie in een invultaak – hetzelfde principe waarmee grote taalmodellen ontbrekende woorden in een zin kunnen voorspellen. Het verschil is dat de 'vocabulaire' van Void-X bestaat uit atomen die in een driedimensionale ruimte zijn gerangschikt, en dat de grammatica die het leert de fysieke verpakkingsregels weerspiegelt die bepalen hoe echte eiwitten vouwen en binden.
Die structuurbewuste training onderscheidt Void-X van benaderingen die eiwitten behandelen als platte sequenties van aminozuren. Omdat het model tegelijkertijd over lokale en langeafstandsatomaire koppelingen redeneert, kan het interfacegeometrieën voorstellen die de fysieke beperkingen van een stabiel complex respecteren, in plaats van plausibel ogende maar biologisch onstabiele ontwerpen te produceren.
Grenzen en open vragen
De resultaten zijn veelbelovend, maar de onderzoekers zijn openhartig dat er nog steeds uitdagingen bestaan. De nauwkeurigheid tussen de ketens van 68,2% – relevant voor de multi-eiwitcomplexen die de meeste medicijndoelen in de echte wereld definiëren – is aanzienlijk lager dan het cijfer binnen de keten, wat de grotere moeilijkheid weerspiegelt om te modelleren hoe twee afzonderlijke moleculen samenkomen. Het ontwerpen van een interface die nauw aansluit bij een computermodel is ook slechts de eerste stap; kandidaten moeten nog steeds experimenteel worden gesynthetiseerd en gevalideerd, en voorspelde interacties kunnen haperen in de rommeligere omgeving van een levende cel.
Het opschalen van de trainingsgegevens, het verfijnen van de omgang met flexibele of ongeordende eiwitgebieden door het model en het integreren van Void-X met complementaire top-downsystemen zijn waarschijnlijk de volgende stappen. De auteurs omschrijven hun bijdrage eerder als complementaire dan als vervangende technologie – een fysiek gegronde optie die moet worden gecombineerd met bestaande steigers terwijl het veld racet naar betrouwbaar, end-to-end moleculair ontwerp.
Een bredere trend
De studie, gepubliceerd onder DOI 10.1073/pnas.2607035123, geeft aan dat de concurrentie om steeds preciezere moleculaire ontwerptools te bouwen nu in volle gang is – en dat generatieve AI een onmisbaar onderdeel aan het worden is van de werkbank van de biochemicus. Nu modellen als Void-X de kloof tussen computergebruik en het laboratorium verkleinen, hopen we dat onderzoekers sneller en rationeler dan ooit tevoren nieuwe therapieën, enzymen en materialen zullen kunnen ontwerpen.
---
Blijf Voorop met AIHet laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.
Lees meer AI-nieuws →
