Sanne Abeln is door de Universiteit Utrecht benoemd tot hoogleraar AI Technology for Life. Abeln en haar leerstoelgroep gaan zich richten op het ontwikkelen van technologie op het gebied van kunstmatige intelligentie (artificial intelligence of AI) met als doel meer inzicht te krijgen in complexe biologische systemen, zoals cellen, organismen of ecosystem. Zo vormen Abeln en haar collega’s een brug tussen het departement Biologie en het departement Informatica van de universiteit.
Op het moment vinden er grote ontwikkeling plaats op het gebied van AI. Denk maar aan ChatGPT, de ‘intelligente’ chatbot die overtuigende gesprekken kan voeren en goedlopende teksten kan schrijven over bijna alle denkbare onderwerpen. ChatGPT is een AI-toepassing die getraind is met enorme hoeveelheden teksten. Aan de hand van al die teksten is ChatGPT in staat om te voorspellen welke tekst goed volgt op een vraag van de gebruiker.
Ook in de biologie gebeurt op dit moment veel. Dankzij nieuwe methodes en technieken kunnen er heel snel heel veel nieuwe biologische gegevens verzameld worden, zoals genetische data en data over eiwitten.
Je zou dus zeggen dat al deze data gebruikt kan worden om AI-toepassingen te trainen, zodat die toepassingen voorspellingen kunnen maken over biologische onderwerpen. Maar volgens Abeln is het niet zo eenvoudig om meest krachtige AI-methoden direct toe te passen op zulke biologische data.
Want stel dat een onderzoeker een AI-model wil trainen om op basis van genetische data te voorspellen of een bepaald dier ziek wordt. De onderzoeker heeft dan gegevens nodig van grote aantallen voorbeelden van dieren van dezelfde soort, zowel van dieren die ziek zijn geworden als van dieren die niet ziek zijn geworden. Abeln geeft aan dat ‘fenotypische’ kenmerken, waarneembare kenmerken zoals of een dier ziek is of niet, vaak ontbreken in datasets en dat datasets bovendien te weinig voorbeelden bevatten. Het is ook erg duur om goede en volledige datasets te creëren met genoeg voorbeelden. Abeln en haar collega’s gaan daarom op zoek naar slimme oplossingen waarmee huidige AI-algoritmes ook met minder voorbeelden kunnen worden getraind voor biologische data.