Het probleem
Nikola Tesla zei ooit dat "een beetje theorie en berekening" Thomas Edison 90% van zijn moeite had kunnen besparen. Meer dan een eeuw later volgen de farmaceutische industrie en de materiaalwetenschappen nog steeds Edisons speelboek — enorme bibliotheken van verbindingen synthetiseren en fysiek testen in de hoop per toeval op een winnaar te stuiten. De cijfers laten precies zien hoezeer deze aanpak is vastgelopen.
De ruimte van mogelijke geneesmiddelachtige moleculen wordt geschat op tussen de 10^60 en 10^100. Uw beste high-throughput screeningcampagne test zo'n miljoen verbindingen. Dat betekent dat u 0,000000000000000000000000000000000000000000000000001% van de beschikbare opties afdekt. Het whitepaper zegt het botweg: het is alsof je de Stille Oceaan wilt in kaart brengen door op willekeurige momenten een theelepel in het water te dopen. Als u nieuwe materialen in het nat lab test zonder ze eerst te simuleren, verbrandt u geld.
Dit is geen technologische curiositeit. Het is een structurele crisis in de R&D-economie. De "Edisoniaanse" methode — brute-force vallen en opstaan — vervangt intelligentie door arbeid. Die afweging wordt exponentieel slechter naarmate de complexiteit van uw doelwitten toeneemt. Het laaghangende fruit van eenvoudige kleine moleculen is al geplukt. Wat overblijft vraagt om een fundamenteel andere aanpak: eerst simuleren, dan alleen de kansrijkste kandidaten synthetiseren.
Waarom dit voor uw bedrijf telt
De financiële schade is al zichtbaar in de boeken van uw sector. Dit zijn de cijfers die uw bestuur zorgen moeten baren:
- $2,23 miljard per nieuw geneesmiddel — dat zijn de gemiddelde kosten voor de ontwikkeling van één farmaceutisch asset anno 2024. Dit cijfer absorbeert de kosten van duizenden mislukkingen per succes.
- 1,2% interne rentabiliteit — farmaceutische R&D bereikte in 2022 een twaalfjaarslaagtepunt voordat het in 2024 herstelde naar 5,9%. Dat herstel werd grotendeels gedragen door uitschieters zoals GLP-1-agonisten, niet door systematische verbetering.
- ~90% faalkans — de overgrote meerderheid van R&D-kandidaten haalt de markt nooit. Elke dollar die wordt besteed aan het fysiek testen van een verbinding die simulatie had kunnen schrappen, is een dollar onttrokken aan een levensvatbare kandidaat.
- Kostengestuurde AI kan de reagenskosten tot 90% verlagen — algoritmen die de prijs van experimenten meewegen naast hun informatiewaarde hebben spectaculaire besparingen aangetoond.
Deze dalende R&D-productiviteit heeft een naam: de wet van Eroom — de wet van Moore achterstevoren gespeld. Elke generatie geneesmiddelen wordt moeilijker en duurder om te ontdekken. Uw concurrenten staan voor dezelfde muur, maar wie als eerste overstapt op simulatie-eerst-ontdekking, gaat die muur jaren voor u voorbij.
Voor uw P&L is de implicatie direct. High-throughput screening is OpEx-zwaar: verbruiksartikelen, reagentia, personelestijd en machine-uren. Elk experiment dat u dankzij betere voorspellingen vermijdt, daalt rechtstreeks tot de onderste regel. Ondertussen lopen de patentklokken door. Elke dag die u in R&D wint, is een extra dag marktexclusiviteit. AI-ontworpen kleine moleculen van bedrijven als Exscientia bereikten fase I-studies in ongeveer 12 maanden, tegenover het sectorgemiddelde van vier à vijf jaar.
Wat er werkelijk onder de motorkap gebeurt
De kernfout is dat traditionele ontdekking verbindingen screent in plaats van ze te ontwerpen. Screening veronderstelt dat uw antwoord al bestaat binnen een kant-en-klare bibliotheek. Maar zodra u doorgaat naar complexe biologicals, multi-elementlegeringen en nano-gestructureerde materialen, zakt de kans dat de optimale oplossing in enige fysiek beheersbare bibliotheek zit naar bijna nul.
Zie het zo. U heeft een combinatieslot met 100 cijfers. Traditionele screening probeert willekeurige combinaties één voor één. Een simulatie-eerst-aanpak bestudeert eerst de mechanica van het slot, beperkt de mogelijkheden tot een handjevol en draait dan pas de knop.
De markt is overspoeld met blackbox-AI-modellen die alleen leren van datacorrelaties. Deze modellen stranden in nieuwe domeinen omdat experimentele data schaars, ruisig en duur om te verzamelen zijn. Standaard machine learning presteert goed binnen zijn trainingsdata maar faalt wanneer gevraagd wordt eigenschappen van geheel nieuwe materiaalklassen te voorspellen. Erger nog: generatieve AI-tools gebouwd op grote taalmodellen kunnen "hallucineren" — ze genereren molecuulbeschrijvingen die plausibel lijken maar de basischemie schenden. Ze stellen mogelijk een structuur voor die valentieregels breekt of massabehoud negeert. Moleculen zijn driedimensionale grafen van atomen en bindingen, geen tekstreeksen. Ze als zinnen behandelen levert fysiek onmogelijke uitkomsten op.
Het alternatief is Physics-Informed Machine Learning, of PIML — modellen die de feitelijke natuurwetten (energiebehoud, thermodynamica, kwantummechanica) direct inbouwen in de architectuur van de AI. Deze modellen hebben veel minder trainingsdata nodig omdat de regels van de chemie ingebouwd zijn. Ze extrapoleren beter naar onbekend terrein. En ze kunnen geen moleculen voorstellen die fundamentele fysische randvoorwaarden schenden. Eén systeem, FlowER genaamd, houdt expliciet bij hoe elektronen zich tijdens chemische reacties herverdelen, en waarborgt zo dat massa en lading altijd behouden blijven. Geen standaard taalmodel kan dat.
Wat werkt (en wat niet)
Drie benaderingen die veelbelovend lijken maar tekortschieten:
- Grotere screeningbibliotheken: opschalen van één miljoen naar één miljard verbindingen dekt nog steeds een verwaarloosbaar klein deel van de chemische ruimte. Door 10^60 mogelijkheden kunt u zich niet heen bruten.
- Generieke AI-wrappers op publieke taalmodellen: deze tools helpen bij literatuuronderzoek en protocolontwerp, maar missen de domeinspecifieke fysische randvoorwaarden die moleculair ontwerp vergt. Een wrapper kan massabehoud in een chemische reactie niet afdwingen.
- "Fail fast" zonder simulatie: falen in het nat lab is duur — reagentia, synthesetijd en apparatuur verbranden allemaal kapitaal. Snel fysiek falen blijft traag en kostbaar vergeleken met virtueel falen dat milliseconden rekentijd kost.
Wat werkelijk werkt is een closed-loop architectuur in drie stappen:
Voorspellen en selecteren (input): een Bayesian Optimization-engine — een wiskundig kader dat het verkennen van onbekend chemisch terrein afweegt tegen het verfijnen van bekende veelbelovende gebieden — identificeert het meest waardevolle volgende experiment. Hij gokt niet zomaar. Hij berekent waar de grootste informatiewinst ten opzichte van de kosten ligt. Multi-fidelity-versies van dit algoritme mengen goedkope computersimulaties met dure laboratoriumresultaten en triggeren fysieke experimenten alleen wanneer het vertrouwen van de simulatie te laag is.
Automatiseren en synthetiseren (processing): robotplatforms ontvangen instructies van de AI, synthetiseren het voorspelde materiaal en voeren karakteriseringstests uit — spectroscopie, röntgendiffractie, microscopie — zonder menselijke tussenkomst. Het A-Lab van Lawrence Berkeley National Laboratory synthetiseerde met deze aanpak 41 novel anorganische verbindingen in 17 dagen. Wanneer een synthese mislukte, analyseerde de AI de resultaten, paste het recept aan en probeerde het autonom opnieuw.
Leren en bijwerken (output): elk resultaat — succes of mislukking — vloeit terug naar het model. Hier wordt negatieve data goud. Mislukte experimenten slijpen het begrip van de AI over wat niet werkt en brekken doodlopende gebieden van de chemie definitief in kaart. Uw organisatie verspilt nooit meer middelen aan die paden. Deze opgebouwde kennis van faallandschappen is duurzaam intellectueel eigendom.
Voor uw compliance- en auditteams creëert deze lus iets dat traditionele R&D mist: een volledig, traceerbaar verslag van elke voorspelling, elke beslisredenatie en elke experimentele uitkomst. De AI zegt niet alleen "probeer deze verbinding". Ze laat zien waarom zij deze verbinding boven elk alternatief verkoos, wat zij verwachtte te leren en hoe het resultaat haar model veranderde. Die beslissporen zijn auditabel, reproduceerbaar en verdedigbaar.
Uw digitale tweeling — een virtuele replica van uw fysieke laboratorium — voegt nog een beschermingslaag toe. Voordat een robot beweegt, draait het experiment in simulatie. Zo worden protocolfouten, timingconflicten en botsingen tussen apparatuur onderschept voordat ze monsters of machines vernietigen. De realtime vergelijking tussen de voorspellingen van de tweeling en echte sensordata vlagt anomalieën zoals verstopte pipetten of wegglibbende temperaturen voordat ze een batch ruïneren.
De economische redenering is simpel. Autonome apparatuur draait 24/7 met een uptime van bijna 100%, tegenover de typische 30–40% van laboren met menselijk personeel. Insilico Medicine bracht een door AI ontdekte fibrose-kandidaat in minder dan 18 maanden van target discovery naar de preklinische fase, tegen een fractie van de gebruikelijke kosten. Dit zijn geen projecties. Het zijn resultaten die al in productieomgevingen zijn geleverd.
Belangrijkste inzichten
- De chemische ruimte herbergt tot 10^100 mogelijke moleculen — zelfs het screenen van een miljard verbindingen dekt een verwaarloosbare fractie; brute-force ontdekking is statistisch gedoemd.
- Het ontwikkelen van één nieuw geneesmiddel kost nu gemiddeld $2,23 miljard, en farmaceutische R&D-rendementen bereikten in 2022 een twaalfjaarslaagtepunt van 1,2%.
- Physics-informed AI-modellen bouwen de wetten van de chemie direct in, waardoor de gehallucineerde moleculen die standaardtaalmodellen produceren worden voorkomen.
- Autonome laboren in gesloten kring zoals het A-Lab synthetiseerden 41 novel materialen in 17 dagen — een taak waar menselijke onderzoekers maanden of jaren over doen.
- Kostengestuurde Bayesian Optimization kan de reagenskosten van experimenten tot 90% verlagen met dezelfde resultaten.
Kort samengevat
De rekening is helder: fysiek vallen en opstaan kan een ruimte van 10^60 moleculen niet doorzoeken, en elk niet-gesimuleerd natlabexperiment riskeert kapitaal te verbranden aan verbindingen die de basisfysica schenden. Closed-loop AI die natuurwetten inbouwt, van elke mislukking leert en een auditabel beslisspoor creëert, herstelt de R&D-economie. Vraag uw AI-leverancier: kan uw model, wanneer het een nieuw molecuul voorstelt, bewijzen dat de voorspelling massabehoud en thermodynamische stabiliteit eerbiedigt — én u het volledige beslisspoor tonen waarom het die kandidaat boven elk alternatief verkoos?