20 april 2026

Universiteit van Amsterdam

UvA-onderzoekers gebruiken machine learning bij zoektocht naar medicijn tegen lekkende bloedvaten

Gezondheid & zorg

Lekkende bloedvaten zijn een ernstig symptoom dat voorkomt bij uiteenlopende aandoeningen, waaronder aderverkalking, chronische gewrichtsreuma, diabetes en Covid-19. Toch is er momenteel geen medicatie beschikbaar voor deze aandoening. Een nieuw onderzoeksproject van de UvA MMD TechHub brengt daar mogelijk verandering in, door machine learning in te zetten bij de ontwikkeling van geneesmiddelen.

Het lekken van bloed uit bloedvaten wordt veroorzaakt door een verstoorde drukregulatie bij endotheelcellen, de cellen die aan de binnenkant van bloedvaten zitten. Die druk wordt gereguleerd door specifieke eiwitten, de zogenoemde Rho-GTPases, die twee vormen kunnen aannemen: een geactiveerde (“aan”) en een gedeactiveerde (“uit”) toestand. Bij lekkende bloedvaten is het evenwicht tussen deze twee vormen verstoord. Het onderzoeksteam richt zich daarom op het vinden van een molecuul dat het eiwit van de “uit”-toestand naar de “aan”-toestand kan brengen.

Het project is een samenwerking tussen Bernd Ensing en Tati Fernández Ibáñez van het Van ’t Hoff Institute for Molecular Sciences en Jaap van Buul van het Swammerdam Instituut voor Levenswetenschappen en Amsterdam UMC. De onderzoekers werken met een computersimulatie van het eiwit en zoeken daarin naar kandidaat-moleculen die de gewenste vormverandering teweeg kunnen brengen. Veelbelovende kandidaten worden vervolgens in het laboratorium van Amsterdam UMC getest.

Voor het genereren van kandidaat-moleculen maken de onderzoekers gebruik van generatieve AI. Bernd Ensing, hoogleraar AI for Chemistry, legt uit dat een dergelijk model getraind kan worden op een database van een miljoen drugsmoleculen, waarna het patronen leert herkennen en zelf miljoenen nieuwe moleculen kan genereren. Vertrekkend vanuit een startmolecuul worden met generatieve AI varianten gemaakt. Om te bepalen welke varianten beter presteren dan het origineel, gebruiken de onderzoekers bayesiaanse optimalisatie. Op basis van de verbeterde moleculen worden vervolgens verdere variaties gemaakt, zodat stap voor stap een optimaal kandidaat-molecuul ontworpen kan worden.

Ensing benadrukt dat deze aanpak nieuw is: er zijn nog geen publicaties verschenen over vergelijkbare methoden, al sluit hij niet uit dat andere groepen wereldwijd aan iets soortgelijks werken. Het project is inmiddels samengevoegd met een UvA Synergy-project, waardoor een promovenda of promovendus vier jaar aan het onderzoek kan werken. Daarnaast proberen de wetenschappers de weg naar een werkend medicijn te versnellen door reeds goedgekeurde medicijnen als startmolecuul te gebruiken, zodat een aantal stappen in het ontwikkelproces overgeslagen kan worden. Ensing kijkt uit naar de interdisciplinaire samenwerking binnen het team, dat mensen samenbrengt met expertise op zeer uiteenlopende vakgebieden.

Lees ook

Verantwoorde AI maak je samen (!)

14 oktober 2024

AI en Big Tech: De potentie van de tegenbeweging

13 september 2023

Komt de menselijke robot er nu echt aan?

3 maart 2026

Schrijf je in voor onze nieuwsbrief

Blijf je graag op de hoogte blijven van wat er binnen het Amsterdam AI ecosysteem gebeurd?