In zijn lezing legde Ensing uit hoe de AI-modellen die hij en zijn collega’s ontwikkelen de chemie ingrijpend zullen veranderen. Door experimenten te automatiseren, computersimulaties te versnellen en nieuwe moleculen en materialen met de gewenste eigenschappen te genereren. “Ik twijfel er niet aan dat AI in de chemie een grote bijdrage zal leveren aan het realiseren van een circulaire economie en een duurzame en gezonde planeet”, zei hij.

Aan de andere kant uitte hij ook enige bezorgdheid: “Ik maak me voor het eerst zorgen over hoe ik kan voorkomen dat mijn modellen verkeerd worden gebruikt”, zei hij. “We moeten ons ervan bewust zijn hoe gevaarlijk de modellen kunnen zijn in de handen van kwaadwillende personen. Die bijvoorbeeld moleculen genereren voor explosieven, of nieuwe synthetische drugs.” Hij uitte ook zijn bezorgdheid over het gebruik van tools zoals ChatGPT door studenten, en zelfs over de toekomst van het promotieonderzoek. Aangezien AI-modellen resultaten opleveren die vergelijkbaar zijn met die van promovendi, maar dan goedkoper en sneller, rijst de vraag hoe de toekomstige generaties van deskundige onderzoekers zullen worden opgeleid.

En natuurlijk zijn er de algemene zorgen over AI, zoals de rol van de grote techbedrijven, de groeiende kloof tussen kansrijke en kansarme groepen, en de gevolgen voor het energieverbruik en het economische systeem. Ensing: “Ik zal me inzetten om hierin binnen de universiteit een proactieve rol te vervullen. In mijn onderwijs aan studenten; als ik een adviserende rol kan vervullen voor de media, beleidsmakers en politici; en ook bij het uitwisselen van ideeën met collega’s op het gebied van AI, binnen onze consortia AI4Science en MMD Tech Hub.”

We hebben betere chemie nodig

Ensing wijdde het grootste deel van zijn lezing aan het thema “Hoe kunstmatige intelligentie ons zal helpen om betere chemie te bedrijven”. Daarbij gaf hij zijn publiek een verdiepende inleiding in het vakgebied van AI voor de chemie. Er is dringend behoefte aan betere chemie, stelde hij, aangezien het de sleutel vormt tot het vinden van oplossingen voor de nodige maatschappelijke problemen. “We kunnen de opwarming van de aarde helpen bestrijden met nieuwe materialen die kooldioxide uit de lucht filteren – zodat we het kunnen opslaan of zelfs omzetten in iets nuttigs."

"Tegelijkertijd moeten we alternatieven ontwikkelen voor de huidige chemische processen die veel kooldioxide uitstoten. Denk aan de productie van cement voor beton, of de ammoniak die nodig is voor de productie van kunstmest. Het is ook van cruciaal belang om te stoppen met het gebruik van fossiele grondstoffen zoals ruwe olie. Chemici zullen alternatieve syntheseroutes moeten ontwikkelen voor de productie van vliegtuigbrandstoffen, kunststoffen en vele andere producten.”

En er is meer. Denk aan het ontwikkelen van materialen voor betere batterijen, om energie van wind- en zonne-energiecentrales op te slaan. Of voor het omzetten van zonne-energie in waterstof. Chemici ontwikkelen ook alternatieven voor materialen die de vervuilende PFAS-verbindingen bevatten en voor materialen die tot microplastics afbreken. En we hebben betere chemie nodig om nieuwe geneesmiddelen te ontwikkelen tegen kanker, Alzheimer en vele andere ziekten. “Kortom, we hebben betere chemie nodig voor een duurzamere planeet en een circulaire economie, vooral voor onze kinderen en de volgende generaties.”

Kan kunstmatige intelligentie daarbij helpen, en zo ja, hoe?

Ensing gaf aan dat chemici al voortdurend bezig zijn met het ontwikkelen van nieuwe materialen en nieuwe synthesemethoden. Het punt is echter, zo stelde hij, dat dit allesbehalve eenvoudig is. Ze beginnen meestal met een voorgevoel of intuïtie, gebaseerd op hun kennis en ervaring. Vervolgens verkennen ze mogelijke oplossingen met behulp van high-throughput experimenten, of door een klein leger van masterstudenten en promovendi in te zetten. De meest veelbelovende resultaten worden vervolgens verder onderzocht en geoptimaliseerd.

Dit kost zowel in de academische wereld als in het bedrijfsleven veel inspanning en tijd. Als we dan zien dat AI tegenwoordig overal is – we kennen allemaal ChatGPT en dergelijke – zou het dan ook de chemie kunnen helpen? Jazeker, dat kan, aldus Ensing. Er bestaat zelfs al een ChatGPT voor de chemie. En er zijn nog meer manieren om chemische ontdekkingen en ontwikkelingen te versnellen met behulp van AI.

Maar eerst een waarschuwing. Ensing wees op een belangrijke tekortkoming in de chemische wetenschap die het succes van AI in de weg staat: het gebrek aan databases op internet-schaal met gegevens die AI kan gebruiken. Er zijn wel veel wetenschappelijke tijdschriften met enorme hoeveelheden onderzoeksresultaten uit de chemie. Maar aangezien laboratoria over de hele wereld hun eigen werkwijzen en procedures hanteren, zijn deze gegevens niet gestandaardiseerd en bevatten ze veel ruis.

Minstens zo belangrijk is het feit dat chemici, zoals zoveel onderzoekers, vrijwel nooit verslag doen van hun mislukkingen. Voor het trainen van AI zijn deze negatieve resultaten echter van cruciaal belang. Ze helpen voorkomen dat het algoritme onmogelijke syntheseroutes voorstelt die geen praktische waarde hebben.

Tal van mogelijkheden; drie voorbeelden

Gelukkig zijn er toch tal van mogelijkheden om AI in te zetten bij chemisch onderzoek. Ensing gaf drie voorbeelden van hoe AI chemisch onderzoek kan versnellen, en zelfs kan helpen om betere datasets te verkrijgen.

Het eerste voorbeeld betreft het automatiseren van laboratoriumexperimenten met behulp van ‘Bayesiaanse optimalisatie’. Veel synthese-experimenten zijn gericht op het optimaliseren van de reactieomstandigheden om de hoogste opbrengst aan productmoleculen te verkrijgen. Hierbij moeten de beste temperatuur, druk, het beste oplosmiddel, de juiste concentraties van de reactanten en andere parameters worden bepaald. Bayesiaanse optimalisatie is een methode die helpt om onbekende reactieomstandigheden te verkennen, voortbouwend op beschikbare kennis, zelfs wanneer er nog maar weinig resultaten bekend zijn. “In tegenstelling tot neurale netwerken, waarvan bekend is dat ze veel data nodig hebben om te trainen, werkt Bayesiaanse optimalisatie ook met slechts een paar gegevens”, legde Ensing uit. “En naarmate er meer resultaten worden verkregen, ‘zoomt’ de methode steeds verder in op het optimale resultaat.” Hij wees op twee succesvolle voorbeelden van geautomatiseerde Bayesiaanse systemen in de Amsterdamse laboratoria: één voor autonome analyse in het lab van dr. Bob Pirok, en één voor autonome synthese in het lab van prof. dr. Timothy Noël.

Het tweede voorbeeld van de versnelling van chemisch onderzoek met AI ligt in de theoretische en computationele chemie. Dit is het gebied waarin Ensing het grootste deel van zijn carrière heeft gewerkt. Hij maakt daarbij gebruik van geavanceerde computersimulaties die quantummechanica combineren met statistische mechanica. Ze geven op een chemisch en fysisch accurate manier het gedrag van atomen en moleculen weer. Ensing: “Een onweerstaanbaar aspect van computersimulaties is de zeer grote mate van controle die je hebt in vergelijking met experimentele wetenschappers”, aldus Ensing.

Zulke ‘computerexperimenten’ vergen wel heel veel tijd en rekenkracht, aangezien quantumchemische berekeningen complex zijn en chemische reacties op moleculair niveau vrij zeldzame gebeurtenissen zijn. Ensing legde uit hoe machine learning technieken hierbij kunnen helpen. Daarbij worden neurale netwerken getraind op basis van nauwkeurige quantumchemische berekeningen om de interacties tussen atomen en moleculen te voorspellen. Ensing werkt met een methode die in 2016 werd ontwikkeld door Max Welling en zijn groep aan de UvA. “Het is honderd tot duizend keer sneller en heeft vrijwel dezelfde nauwkeurigheid als de quantumchemische gegevens waarmee is getraind. Daarmee zijn we in staat om moleculaire eigenschappen, zoals oplosbaarheid, kleur, toxiciteit of interactiekrachten, zeer nauwkeurig te voorspellen.”

Het derde en laatste voorbeeld van hoe AI chemisch onderzoek kan stimuleren, is de eerder genoemde ‘chemische ChatGPT’. Voor Ensing is deze generatieve AI de meest grensverleggende en disruptieve ontwikkeling in de geschiedenis van de wetenschap van moleculen en materialen. Net zoals grote taalmodellen zoals ChatGPT tekst kunnen genereren, kan deze AI moleculaire structuren genereren. Het is gebaseerd op de ‘chemische taal’ die verborgen zit in de chemische weergave van moleculen (denk aan H₂O, CO₂ en veel complexere beschrijvingen zoals C₈H₁₀N₄O₂ voor cafeïne). Deze kunnen worden uitgeschreven met standaard ASCII-tekens met behulp van het Simplified Molecular Input Line Entry System (SMILES).

De afgelopen jaren zijn machine learning-algoritmen zoals chemBerta en molGPT getraind op datasets met miljoenen SMILES-strings van bestaande moleculen. Zo leren ze de ‘chemische grammatica’ en kunnen ze op basis van een bepaalde SMILES-volgorde voorspellen wat het volgende teken zal zijn. “Dit is niet volledig willekeurig”, legde Ensing uit. “Een stikstofatoom wordt bijvoorbeeld zelden gevolgd door nog een stikstofatoom of een zuurstofatoom, maar veel vaker door een koolstofatoom. Wanneer het algoritme deze chemische grammatica heeft geleerd, kan het nieuwe SMILES-strings genereren die lijken op de moleculen in de trainingsdata.”

Dit lijkt heel erg op de autocomplete-functie zoals bij de tekstinvoer op een mobiele telefoon, waar je al na een paar letters suggesties krijgt voor het hele woord. “Zo stelt generatieve AI voor de chemie op basis van een paar atomen het volgende atoom voor, en het volgende, en het volgende. Totdat er een nieuw molecuul is gevormd.”

Een andere methode voor het genereren van moleculaire structuren lijkt sterk op de manier waarop populaire AI-tools zoals Dall-E afbeeldingen kunnen genereren. Na een uitgebreide training van het neurale netwerk op basis van een dataset met honderdduizenden moleculaire structuren, kan deze denoising diffusion methode nieuwe moleculaire structuren met chemisch correcte samenstellingen genereren.

Moleculenbibliotheken

Het is natuurlijk één ding om met behulp van AI hele bibliotheken met mogelijke nieuwe moleculen te creëren. Maar het is iets heel anders om deze moleculen in het laboratorium te synthetiseren en te testen op de gewenste eigenschappen. “Voor veel van die moleculen hebben we misschien nog niet eens syntheseroutes”, gaf Ensing toe. Maar met de groeiende kennis zal kunstmatige intelligentie ook dit proces versnellen. “Binnen afzienbare tijd kunnen we onze modellen vragen om uitsluitend moleculen met specifieke eigenschappen te genereren. Bijvoorbeeld dat ze goed binden aan een bepaald eiwit voor een medische toepassing, of dat ze zonlicht kunnen absorberen voor gebruik in een zonnepaneel of een zonnebrandcrème. De modellen die we ontwikkelen, zullen de manier waarop we wetenschappelijk onderzoek doen volledig veranderen. Ik twijfel er niet aan dat AI in de chemie een grote bijdrage zal leveren aan het creëren van een circulaire economie en een duurzame en gezonde planeet.”

Zie ook 

• Bernd Ensing benoemd tot hoogleraar Artificial Intelligence for Chemistry
• AI4Science Lab (Engels)
• MMD Tech Hub (Engels)