Onderzoekscheck
Zo weten we dit
Bekijk de methode, beperkingen en oorspronkelijke bron achter dit verhaal.
Volledige onderzoekscheck 9 onderdelen
- Onderzoeksopzet
- Mensgestuurd multi-agentsysteem dat retrospectief klinische proefuitkomsten en biologische gegevens analyseerde, daarnaast een longkankerstrategie formuleerde en een beëindigde colitisproef onderzocht.
- Steekproef of materiaal
- Meer dan 37.000 AI-agenten annoteerden uitkomsten van 55.984 klinische proeven; de analyses gebruikten bestaande klinische en moleculaire gegevens.
- Vakblad of publicatie
- Science, gepubliceerd op 17 september 2026
- Onderzoeksinstelling
- Stanford University; met bijdrage van PHD Biosciences
- Financiering
- Knight-Hennessy Scholarship, National Institutes of Health (T32-GM145402), National Science Foundation, Chan Zuckerberg Biohub en Stanford Department of Biomedical Data Science.
- Belangenverklaring
- De toegankelijke metadata en Stanford-toelichting noemen een bijdrage van PHD Biosciences. Een volledige afzonderlijke belangenverklaring kon niet uit de toegankelijke publicatiepagina worden gecontroleerd en wordt daarom niet ingevuld.
Belangrijkste beperking
De belangrijkste percentages komen uit retrospectieve verbanden in bestaande proefgegevens. Het systeem heeft geen nieuw geneesmiddel geproduceerd of zelf in mensen getest; nieuwe kandidaten moeten fysiek en onafhankelijk worden gevalideerd.
Wat dit niet bewijst
Niet bewezen is dat AI-agenten mensen in geneesmiddelenonderzoek kunnen vervangen, dat de gevonden kenmerken oorzaak zijn van proefslaagsucces, dat alle voorgestelde kandidaten werken of dat Nederlandse patiënten nu een nieuwe behandeling krijgen.
Onderzoekers van Stanford bouwden een virtueel biotechbedrijf met meer dan 37.000 AI-agenten. Samen analyseerden die digitale medewerkers de uitkomsten van 55.984 klinische proeven. Ze vonden een patroon dat samenhing met een grotere kans dat een geneesmiddel de markt bereikte en stelden een mogelijke strategie tegen longkanker voor. Maar het systeem maakte geen medicijn en voerde geen laboratoriumproef uit: mensen moeten de ideeën nog fysiek testen.
De studie in Science verscheen op 17 september. Het opvallende aantal agenten zegt vooral iets over de schaal waarop taken parallel konden worden verdeeld. Het is geen personeelsbestand van zelfstandige robots en evenmin een bedrijf dat zonder menselijke sturing geneesmiddelen mag ontwikkelen.
Hoe werkte het virtuele biotechbedrijf?
De onderzoekers organiseerden de agenten alsof ze afdelingen van een echt geneesmiddelenbedrijf vormden. Sommige zochten mogelijke biologische doelen, andere beoordeelden veiligheid, kozen een behandelmethode of analyseerden klinische ontwikkeling. Voor het grote onderzoek kreeg iedere agent een afgebakende taak rond een specifieke proef.
Volgens de toelichting van Stanford Medicine waren bijna 56.000 proeven binnen een week geordend. Dat is snelheid bij het verzamelen en combineren van bestaande informatie. Het betekent niet dat 56.000 nieuwe proeven zijn uitgevoerd of opnieuw medisch zijn beoordeeld met deelnemers.
Welk patroon vonden de agenten?
De analyse keek onder meer naar genen die vooral in één bepaald celtype actief zijn. Geneesmiddelen die zulke specifieke doelen raken, waren in de onderzochte gegevens 48 procent vaker tot de markt doorgedrongen en gingen gepaard met 32 procent minder gemelde bijwerkingen dan middelen met bredere doelen.
Dat zijn retrospectieve verbanden: de onderzoekers keken terug naar bestaande proeven en uitkomsten. De cijfers bewijzen niet dat celspecificiteit op zichzelf het succes veroorzaakte. Andere verschillen tussen geneesmiddelen, ziekten en proefopzetten kunnen eveneens een rol spelen. Het patroon kan onderzoekers wel helpen om nieuwe kandidaten gerichter te selecteren voor verdere tests.
Bedacht de AI een nieuw kankermedicijn?
Voor een tweede demonstratie onderzochten de agenten het eiwit B7-H3, ook bekend als CD276, bij longkanker. Ze combineerden meerdere soorten biologische gegevens en stelden een zogeheten antilichaam-geneesmiddelconjugaat voor. Zo’n behandeling probeert een giftige lading gerichter bij cellen met veel van het doeleiwit af te leveren.
De agenten baseerden hun voorstel op informatie die vóór januari 2025 beschikbaar was. Enkele maanden later ontwikkelde een farmaceutisch bedrijf onafhankelijk een vergelijkbare B7-H3-strategie. Die parallel is interessant, maar bewijst niet dat het virtuele bedrijf zelf een werkend middel heeft gemaakt. De onderzoekers produceerden de voorgestelde kandidaat niet en testten hem niet zelfstandig bij mensen.
Waar ligt de echte grens van dit experiment?
De kracht van het systeem zit in het opdelen en combineren van veel bestaande informatie. De zwakke plek ligt precies waar digitaal onderzoek overgaat in de fysieke wereld. Een bruikbaar medicijn moet worden gemaakt, in laboratoria worden getest en daarna zorgvuldig door klinische proeven en toezicht gaan. Daarvoor blijven menselijke onderzoekers, proefopzetten en onafhankelijke controle nodig.
Stanford schrijft dat de volgende stap bestaat uit het testen van nieuwe kandidaten uit het systeem in echte laboratoria. Pas dan wordt duidelijk hoeveel suggesties standhouden. Voor Nederlandse patiënten verandert de studie nu niets aan een behandeling. Ze laat vooral zien hoe AI-agenten het voorwerk van geneesmiddelenonderzoek kunnen versnellen — en waarom snelheid niet hetzelfde is als bewijs.
Bronnen
Nederlandse context
Wat betekent dit voor Nederland?
De studie verandert nu geen behandeling of geneesmiddelenbeleid in Nederland. Ze is wel relevant voor Nederlandse lezers, onderzoekers en bedrijven die willen weten wat grootschalige AI-agenten werkelijk kunnen bijdragen aan geneesmiddelenonderzoek.
Transparantie
Updates en correcties
Zie je een fout of ontbreekt er context? Bekijk hoe we corrigeren.
