Machine learning in geneesmiddelenontwikkeling: een gids voor 2026.

Korte samenvatting: Machine learning transformeert de geneesmiddelenontwikkeling door de identificatie van targets, de screening van verbindingen en het ontwerp van klinische studies te versnellen. De technologie pakt het succespercentage van de industrie aan, dat van fase I tot goedkeuring 6,21 TP3T bedraagt, en de gemiddelde ontwikkelingskosten van 1 TP4 TP2,8 miljard, door middel van voorspellende modellen, optimalisatie van moleculair ontwerp en patiëntstratificatie. Van door de FDA begeleide AI-frameworks tot deep learning-toepassingen voor toxiciteitsvoorspelling, ML-tools zijn nu geïntegreerd in zowel preklinische als klinische fasen.

Het op de markt brengen van een nieuw geneesmiddel is duur, tijdrovend en loopt vaak op een mislukking uit. De farmaceutische industrie wordt geconfronteerd met een harde realiteit: slechts 6,21 biljoen van de kandidaat-geneesmiddelen die de klinische fase I-onderzoeken ingaan, worden uiteindelijk goedgekeurd. Met gemiddelde ontwikkelingskosten van 2,8 miljard en doorlooptijden van meer dan tien jaar is de druk om te innoveren nog nooit zo groot geweest.

Machine learning biedt een veelbelovende oplossing. Door enorme datasets te analyseren, moleculair gedrag te voorspellen en patronen te herkennen die mensen mogelijk over het hoofd zien, veranderen ML-algoritmen de manier waarop medicijnen worden ontdekt, getest en bij patiënten terechtkomen.

Dit is wat momenteel daadwerkelijk werkt.

De crisis in de geneesmiddelenontwikkeling die ML aanpakt

Traditionele geneesmiddelenontwikkeling volgt een lineair, tijdrovend traject. Onderzoekers identificeren een biologisch doelwit, screenen duizenden verbindingen, voeren preklinische tests uit op dieren en brengen veelbelovende kandidaten vervolgens in drie fasen naar klinische studies bij mensen. In elke fase vallen de meeste kandidaten af.

De cijfers vertellen een hard verhaal. Tussen 1998 en 2008 lieten klinische studies in fase II en III een faalpercentage van 541 TP3T zien. Recentere gegevens tonen aan dat zelfs van de geneesmiddelenkandidaten die fase II bereiken, slechts 251 TP3T uiteindelijk worden goedgekeurd. Voor de pijplijn van fase III loopt dat aantal op tot 621 TP3T, maar dat betekent nog steeds dat meer dan een derde na jarenlange investeringen faalt.

Waarom is het percentage mislukkingen zo hoog? Gebrek aan werkzaamheid is verantwoordelijk voor 571 TP3T van de mislukte kandidaat-geneesmiddelen, terwijl veiligheidsproblemen 171 TP3T veroorzaken. De traditionele aanpak heeft moeite om te voorspellen hoe complexe biologische systemen zullen reageren op nieuwe moleculen.

Machine learning pakt deze problemen direct aan. In plaats van uitsluitend te vertrouwen op laboratoriumexperimenten en klinische intuïtie, leren ML-modellen van historische gegevens, moleculaire structuren, genetische informatie en klinische uitkomsten om voorspellingen te doen voordat kostbare onderzoeken beginnen.

Het AI-raamwerk van de FDA voor de ontwikkeling van geneesmiddelen.

Regelgeving is van belang. De FDA publiceerde in mei 2023 een discussiedocument getiteld 'Using Artificial Intelligence and Machine Learning in the Development of Drug and Biological Products' en heeft gedurende 2023 en 2024 diverse kaderdocumenten en specifieke richtlijnen uitgebracht. Tegen januari 2025 werkte de industrie al met de door het agentschap vastgestelde basiskaders voor AI/ML. Volgens de FDA verwijst kunstmatige intelligentie naar een machinegebaseerd systeem dat voorspellingen, aanbevelingen of beslissingen kan nemen die van invloed zijn op reële of virtuele omgevingen, gebaseerd op door mensen gedefinieerde doelstellingen. Deze systemen nemen omgevingen waar via machine- en menselijke input, abstraheren die waarnemingen tot modellen en gebruiken modelinferentie om opties te formuleren.

De FDA heeft in samenwerking met het Europees Geneesmiddelenagentschap tien leidende principes ontwikkeld voor het gebruik van AI in de geneesmiddelenontwikkeling. Deze principes hebben betrekking op transparantie, reproduceerbaarheid, datakwaliteit en validatie – cruciale aspecten wanneer algoritmen beslissingen beïnvloeden die de patiëntveiligheid raken.

Duidelijkere regelgeving versnelt de acceptatie. Farmaceutische bedrijven beschikken nu over kaders voor het documenteren van de ontwikkeling van AI-modellen, het valideren van voorspellingen en het aantonen van de betrouwbaarheid ervan aan toezichthouders.

Doelidentificatie en -validatie

Geneesmiddelenontwikkeling begint met het identificeren van een biologisch doelwit – meestal een eiwit of gen waarvan de activiteit bijdraagt aan de ziekte. Machine learning-algoritmen analyseren genomische gegevens, eiwit-eiwitinteracties en ziekteprocessen om veelbelovende doelwitten voor te stellen.

Een van de benaderingen maakt gebruik van deep learning om eiwit-eiwitinteracties (PPI's) te voorspellen. Onderzoek met 34.100 gevalideerde PPI's uit datasets van Saccharomyces cerevisiae leverde indrukwekkende resultaten op: de Deep Interact-aanpak behaalde een nauwkeurigheid van 98,311 TP3T, een sensitiviteit van 86,851 TP3T en een specificiteit van 98,511 TP3T bij de voorspelling van PPI's.

Die mate van precisie is belangrijk, omdat onjuiste voorspellingen jaren aan vervolgonderzoek tenietdoen. Als een algoritme ten onrechte een eiwit als doelwit voor een medicijn aanwijst, investeren teams middelen in de ontwikkeling van moleculen die nooit zouden werken.

Machine learning identificeert ook ziektebiomarkers. Classificatieboommodellen die genexpressiepatronen analyseren, behaalden een nauwkeurigheid van 88,91 TP3T bij het voorspellen van biomarker-efficiëntieprofielen, terwijl random forest-modellen een nauwkeurigheid van 83,31 TP3T bereikten voor de analyse van de respons op medicamenteuze behandeling.

Moleculair ontwerp en virtuele screening

Zodra een doelwit is gevalideerd, hebben onderzoekers moleculen nodig die er effectief mee interageren. Traditionele methoden screenen fysieke verbindingenbibliotheken – het testen van duizenden moleculen in laboratoriumtests. Dat is traag en duur.

Virtuele screening maakt gebruik van machine learning om te voorspellen welke moleculen zich aan een doelwit zullen binden voordat er laboratoriumonderzoek plaatsvindt. Convolutionele neurale netwerken analyseren moleculaire structuren en voorspellen de bindingsaffiniteit en biologische activiteit. Recurrente neurale netwerken met reinforcement learning behaalden een nauwkeurigheid van 95% in moleculaire scorefuncties.

De DeepTox-software is een goed voorbeeld van deze aanpak. Het systeem voorspelde de toxiciteit van 12.000 geneesmiddelen, waardoor onderzoekers veiligheidsproblemen vroegtijdig kunnen opsporen. Het vroegtijdig signaleren van toxiciteitsproblemen, vóór de preklinische tests, bespaart enorm veel middelen en voorkomt dat onveilige stoffen in klinische studies bij mensen terechtkomen.

Generatieve modellen ontwerpen nu volledig nieuwe moleculen. Deze algoritmen leren de kenmerken van succesvolle geneesmiddelen en genereren vervolgens nieuwe moleculaire structuren die geoptimaliseerd zijn voor specifieke eigenschappen: potentie, selectiviteit en gunstige farmacokinetiek.

Preklinische ADMET-voorspelling

ADMET staat voor absorptie, distributie, metabolisme, excretie en toxicologie. Inzicht in hoe het menselijk lichaam een kandidaat-geneesmiddel verwerkt, bepaalt of het een levensvatbaar medicijn kan worden. Slechte ADMET-eigenschappen maken veel veelbelovende verbindingen ongeschikt.

Machine learning-modellen, getraind op historische farmacokinetische gegevens, voorspellen ADMET-kenmerken vóór dierproeven. Deze voorspellingen helpen medicinale chemici bij het optimaliseren van moleculaire structuren om de geneesmiddelachtige eigenschappen te verbeteren.

De impact is tastbaar. Met 90% aan therapeutische moleculen die de fase II klinische studies en de goedkeuring door de regelgevende instanties niet doorstaan, helpt ADMET-voorspelling om problematische kandidaten vroegtijdig te filteren. Betere preklinische filtering betekent dat de verbindingen die doorgaan naar kostbare klinische studies een grotere kans op succes hebben.

Maar het zit zo: de kwaliteit van de data bepaalt de prestaties van het model. Machine learning-experts geven aan dat 801 TP3T van hun tijd besteed wordt aan het verwerken en opschonen van data. Slechte data leiden tot onbetrouwbare voorspellingen, en daarom investeren farmaceutische bedrijven fors in het samenstellen van hoogwaardige datasets.

Optimalisatie van klinische onderzoeken

Klinische studies vormen de duurste fase in de ontwikkeling van geneesmiddelen. Het is ook de fase waarin veel kandidaat-geneesmiddelen falen, ondanks veelbelovende resultaten in eerdere stadia. Machine learning helpt bij het ontwerpen van betere studies en het identificeren van patiënten die het meest waarschijnlijk baat zullen hebben bij een geneesmiddel.

Patiëntstratificatie maakt gebruik van machine learning om genetische profielen, biomarkers en klinische voorgeschiedenissen te analyseren. In plaats van alle patiënten als identiek te behandelen, identificeren algoritmen subgroepen die verschillend reageren op de behandeling. Deze precieze aanpak verhoogt de slagingskans van klinische studies en maakt de weg vrij voor gepersonaliseerde geneeskunde.

Adaptieve onderzoeksopzetten maken gebruik van machine learning om protocollen aan te passen op basis van verzamelde gegevens. Als vroege resultaten suggereren dat een dosis niet effectief is of dat een subgroep van patiënten bijzonder veel baat heeft, adviseert het algoritme protocolwijzigingen zonder dat er een volledig nieuw onderzoek hoeft te worden gestart.

De integratie van gegevens uit de praktijk neemt toe. Machine learning-modellen analyseren elektronische patiëntendossiers, verzekeringsclaims en patiëntenregisters ter aanvulling op traditionele klinische onderzoeksgegevens. Deze bredere bewijsbasis helpt regelgevende instanties en artsen te begrijpen hoe geneesmiddelen presteren in diverse, realistische populaties.

Structureer ML-projecten voor geneesmiddelenontwikkeling met superieure AI. 

Machine learning wordt gebruikt om complexe datasets te analyseren en besluitvorming te ondersteunen gedurende het gehele geneesmiddelenontwikkelingsproces. AI Superieur Wij bieden AI-consultancy en maatwerksoftwareontwikkeling aan organisaties die machine learning-systemen en datagestuurde applicaties bouwen.

Zoekt u technische hulp bij AI-ontwikkeling voor geneesmiddelen?

AI Superior kan uw project ondersteunen met:

• Ontwerp en ontwikkeling van maatwerk ML-oplossingen
• Datagestuurde analyse en modellering
• AI-advies en MVP-ontwikkeling

👉Praat met AI Superior om uw machine learning-project voor geneesmiddelenontwikkeling te bespreken.

Huidige beperkingen en uitdagingen

Machine learning is geen tovermiddel. De technologie kent reële beperkingen waar farmaceutische bedrijven rekening mee moeten houden.

De beschikbaarheid van data blijft een knelpunt. Machine learning-algoritmen hebben grote datasets van hoge kwaliteit nodig om effectief te leren. Door de aanwezigheid van eigen datasilo's blijft waardevolle informatie binnen individuele bedrijven opgesloten. Er bestaan wel openbare datasets, maar die missen vaak de omvang of kwaliteit die nodig is voor een robuuste modeltraining.

De interpreteerbaarheid van modellen vormt een uitdaging voor de acceptatie door regelgevende instanties. Deep learning-modellen – met name grote neurale netwerken – functioneren als black boxes. Ze doen accurate voorspellingen, maar leggen hun redenering niet uit op een manier die wetenschappers kunnen valideren. Regelgevers willen begrijpelijkerwijs begrijpen waarom een algoritme een bepaalde beslissing aanbeveelt.

De validatie-eisen zijn streng. Een algoritme kan een hoge nauwkeurigheid behalen op historische gegevens, maar falen wanneer het wordt toegepast op nieuwe verbindingen of patiëntenpopulaties. Grondige validatie met diverse datasets is essentieel voordat men op machine learning-voorspellingen kan vertrouwen voor cruciale beslissingen.

Integratie met bestaande workflows kost tijd. Farmaceutische bedrijven hebben gevestigde processen, kwaliteitssystemen en regelgeving. De introductie van machine learning vereist training van personeel, actualisering van standaardprocedures en het aantonen van betrouwbaarheid aan sceptische belanghebbenden.

Succesvolle toepassingen en casestudies

Ondanks de uitdagingen levert machine learning nu al resultaten op in diverse therapeutische gebieden.

Het hergebruik van bestaande geneesmiddelen is een bijzonder succesvolle toepassing. Machine learning-algoritmen analyseren bestaande geneesmiddelen om nieuwe toepassingen te identificeren. Deze aanpak maakt gebruik van veiligheidsgegevens uit de oorspronkelijke ontwikkeling, waardoor de doorlooptijd mogelijk wordt verkort. Collaborative filtering en Bayesiaanse optimalisatietechnieken ondersteunen dit werk.

In de oncologie is machine learning (ML) op grote schaal toegepast. De complexiteit van kanker – met diverse genetische factoren en uiteenlopende reacties op behandelingen – maakt het bij uitstek geschikt voor machine learning-benaderingen. Algoritmen analyseren de genomica van tumoren om patiënten te koppelen aan therapieën, de respons op behandelingen te voorspellen en combinatiestrategieën te identificeren.

De ontwikkeling van geneesmiddelen voor zeldzame ziekten profiteert van het vermogen van machine learning om inzichten te verkrijgen uit kleine datasets. Traditionele statistische methoden hebben moeite met zeldzame ziekten vanwege het beperkte aantal patiënten. Machine learning-technieken die zijn ontworpen voor scenario's met kleine datasets helpen bij het identificeren van targets en het voorspellen van uitkomsten, ondanks beperkte klinische informatie.

Trends in adoptie en investeringen in de industrie

Farmaceutische bedrijven investeren flink in machine learning. Grote bedrijven hebben AI-onderzoeksgroepen opgericht, samenwerkingsverbanden gesloten met technologiebedrijven en startups overgenomen die zich richten op machine learning.

Publicaties weerspiegelen een groeiende interesse. Onderzoek naar AI in de gezondheidszorg bereikte in 2020 bijna 70 publicaties per jaar, met 671 TP3T aan artikelen die tussen 2017 en maart 2021 werden gepubliceerd. Het tempo blijft versnellen.

Er ontstaan biotech-startups die volledig gericht zijn op door machine learning aangedreven geneesmiddelenontwikkeling. Deze bedrijven beweren dat ze geneesmiddelen sneller en goedkoper kunnen ontwikkelen dan met traditionele methoden. Sommige hebben al kandidaat-geneesmiddelen in klinische proeven gebracht, waardoor in de praktijk kan worden getest of het AI-gestuurde model zijn beloftes waarmaakt.

Toekomstige richtingen

Waar gaat machine learning in de geneesmiddelenontwikkeling naartoe? Verschillende trends bepalen de volgende fase.

Multimodale leertechnieken integreren diverse gegevenstypen, zoals moleculaire structuren, genoomsequenties, klinische beelden, elektronische patiëntendossiers en gegevens van draagbare apparaten. Modellen die informatie uit verschillende modaliteiten combineren, beloven uitgebreidere voorspellingen dan modellen die slechts één gegevenstype gebruiken.

Federated learning pakt de zorgen over gegevensprivacy aan. In plaats van gevoelige patiëntgegevens te centraliseren, trainen federated learning-methoden modellen over gedistribueerde datasets zonder de gegevens te verplaatsen. Deze techniek zou grotere trainingssets mogelijk kunnen maken met behoud van privacy.

Toepassingen van kwantumcomputing worden onderzocht. Geneesmiddelenontwikkeling omvat optimalisatie binnen enorme chemische ruimtes – een taak waarbij kwantumalgoritmen mogelijk voordelen bieden ten opzichte van klassieke computers. Het is nog vroeg, maar farmaceutische bedrijven onderzoeken de mogelijkheden.

Automatisering neemt toe. Robotische laboratoriumsystemen in combinatie met machine learning creëren gesloten ontdekkingsplatformen. Het algoritme ontwerpt experimenten, robots voeren ze uit en de resultaten worden teruggekoppeld naar het model. Deze integratie versnelt de leercyclus.

Praktische implementatieoverwegingen

Organisaties die overwegen machine learning in te zetten voor de ontwikkeling van geneesmiddelen, moeten een aantal praktische aspecten in overweging nemen:

• Begin met duidelijk omschreven problemen: Machine learning werkt het best wanneer de vraag specifiek is, de uitkomst meetbaar en er historische gegevens beschikbaar zijn. Vage doelen zoals "AI gebruiken om betere medicijnen te vinden" zullen niet slagen. Gerichte toepassingen zoals "voorspel de binding van hERG-kanalen om het risico op cardiotoxiciteit te verminderen" bieden duidelijke doelen.
• Investeer in data-infrastructuur: Bouw vóór de algoritmes systemen voor dataverzameling, -opslag, -annotatie en kwaliteitscontrole. Een gebrekkige data-infrastructuur garandeert slechte resultaten bij machine learning, ongeacht de complexiteit van het algoritme.
• Stel multidisciplinaire teams samen: Effectieve machine learning in de geneesmiddelenontwikkeling vereist samenwerking tussen datawetenschappers, medicinale chemici, biologen, artsen en specialisten op het gebied van regelgeving. Geen enkele discipline beschikt over alle benodigde expertise.
• Plan voor de samenwerking met regelgevende instanties: Bespreek ML-toepassingen vroegtijdig met regelgevende instanties. De FDA en EMA hebben hiervoor procedures vastgesteld. Vroegtijdig overleg voorkomt verrassingen tijdens de beoordeling door de regelgevende instanties.

Veelgestelde vragen