AI verandert de wereld. We zijn inmiddels vertrouwd met toepassingen als ChatGPT en Dall-E waarmee we eenvoudig teksten en afbeeldingen kunnen creëren. Ook op het gebied van moleculen en materialen kan AI een groot verschil maken. AI is daar misschien minder zichtbaar, maar kan minstens een even krachtige impact hebben. Voor Ensing lijdt het geen twijfel dat de faculteit FNWI van de UvA de plek bij uitstek is om AI te ontwikkelen en toe te passen met het oog op het creëren van de moleculen en materialen die voor een duurzame toekomst nodig zijn. Het onder de faculteit vallende Instituut voor Informatica (IvI) is een van de beste instituten ter wereld op het gebied van computerwetenschap, dat unieke kennis van AI en machinaal leren bezit. En duurzaamheid vormt de rode draad in bijna al het onderzoek dat de scheikundigen van het Van ’t Hoff Institute for Molecular Sciences (HIMS) verrichten.

Dit onderwerp staat tevens hoog op de agenda van de instituten IBED (biologie), IOP (natuurkunde) en SILS (levenswetenschappen). Denk aan nieuwe chemische processen waarmee de transitie van de economie weg van olie mogelijk wordt, door groene stroom en hernieuwbare bronnen te gebruiken. Denk aan betere en snellere afbreekbaarheid, minder afval, minder energiegebruik. Denk aan nieuwe moleculen en materialen die lichter, sterker, “intelligenter” en uiterst functioneel zijn.

Moleculen en materialen die ook intrinsiek veilig zijn voor mens en milieu. Ensing: 'Het gaat allemaal om het realiseren van de materiaaltransitie die voor een duurzame samenleving nodig is. Hiervoor zal AI een onmisbaar hulpmiddel blijken te zijn. Door machineleren en computertechnieken kan de relatie tussen de structuur en eigenschappen van moleculen en materialen worden voorspeld: hun functionaliteit en afbreekbaarheid en hun interacties met het biologische milieu. Dit zal helpen de duurzaamheid te vergroten op uiteenlopende gebieden als voedsel en landbouw, bouwmaterialen, groene industriële processen, energietransitie, verbruiksmaterialen, gezondheid en wat je verder maar kunt bedenken.'

Moleculen als netwerken, of als woorden

Het onderzoek naar AI4SMM zal deels voortbouwen op het pionierswerk van hoogleraar Max Welling van het IvI wat betreft zogenaamde grafische neurale netwerken. Tot voor kort stond Welling aan het hoofd van het Amsterdam-lab van Microsofts AI4Science-initiatief, dat zich eveneens op moleculen en moleculaire simulaties richt (zie ook kader: de Amsterdam-AI-arena).

Grafische neurale netwerken komen voor in talrijke toepassingen van machineleren, waaronder bekende systemen voor het spelen van schaak en go (bijvoorbeeld zoals ontwikkeld door Googles DeepMind: AlphaZero en AlphaGo). 'Een molecuul kan ook als een netwerk worden beschouwd', zegt Ensing, 'namelijk als een ruimtelijk netwerk, waarin elk knooppunt van het netwerk de positie van een atoom vertegenwoordigt en elke netwerkverbinding de interactie tussen die atomen beschrijft. Dit concept leidt tot zogenaamde geometrische deep learning, waarbij AI moleculen via netwerkanalyse in het licht van moleculaire eigenschappen probeert te ‘begrijpen’.'

Een andere benadering loopt via natuurlijke-taalverwerking, bekend van ChatGPT. 'Dan gebruiken we de taal van de scheikundige', legt Ensing uit. 'De namen van moleculen, bijvoorbeeld H₂O, kunnen als de woorden worden gezien. De relaties tussen de letters zijn gebaseerd op een ‘chemische grammatica’, die verklaart waarom er een 2 na de H volgt. Hetzelfde geldt voor de relaties tussen de woorden: welke stoffen reageren met elkaar, en hoe. Uiteraard vindt dit alles zijn oorsprong in chemische begrippen en wetten, maar met AI kan de computer eenvoudig relaties leggen op basis van de begrippen woorden en grammatica.'

Voor Ensing zijn beide benaderingen waardevol. Hij legt uit dat, hoe je een systeem voor machineleren ook bouwt, de crux is dat je het AI-model met bestaande data van bekende moleculen traint. Vervolgens kun je het systeem vragen nieuwe moleculen te ontwerpen die een bepaalde gewenste eigenschap hebben. Via instrumenten als ChatGPT (tekst) en Dall-E (afbeeldingen) zijn we al vertrouwd met deze generatieve modellering.

Ensing vindt het fascinerend om dit nu op de scheikunde toe te passen: 'Het raakt precies aan wat we als scheikundigen doen: we ontwikkelen nieuwe moleculen en nieuwe materialen. Door hierbij de hulp van AI in te schakelen of het zelfs volledig door AI te laten doen, ontstaat een andere manier van wetenschap bedrijven. We worden dan minder afhankelijk van wat je ‘chemische intuïtie’ zou kunnen noemen.' Hij zegt dat onlangs Googles Deepmind zijn jongste AI-instrument GNoME presenteerde, dat door middel van grafische neurale netwerken honderdduizenden kristalstructuren van mogelijk functionele materialen heeft gegenereerd. 'Ik verwacht dat we in de komende jaren meer van zulke doorbraken zullen beleven.'

Een groot momentum voor AI

Om aan de Faculteit der Natuurwetenschappen met AI4SMM te kunnen starten, zijn er vier tweejarige postdoctorale onderzoeksprojecten gefinancierd. Deze projecten vormen de oorspronkelijke kern van wat een groeiend consortium van begeleiders, onderzoekers, studenten en externe academische en industriële partners moet worden. Ensing: 'Ik beschouw het als een meertrapsraket. Met de vier postdocs, die reeds ervaren onderzoekers zijn, gaan we een vliegende start maken. In de loop van volgend jaar verwachten we enkele PhD-studenten toe te voegen. Tegelijk zullen we een samenwerking met partners in de academische wereld en het bedrijfsleven tot stand brengen. Om nieuwe projecten te initiëren, maar ook om een consortium te vormen om gezamenlijk substantiële middelen vanuit nationale en Europese financieringsprogramma’s te bemachtigen.' Ensing is optimistisch: 'Er is sprake van een groot momentum voor AI en we hoeven potentiële partners nauwelijks te overtuigen van de kansen die hier bij de Faculteit der Natuurwetenschappen liggen. Iedereen erkent hoe fantastisch het is om hier te werken.'

De eerste vier AI4SMM-projecten (zie kader) hebben betrekking op uiteenlopende gebieden als duurzaam staal, nieuwe voedingsmiddelen, energieopslag in zouten en chemische additieven voor kunststoffen. Universitair docent Alberto Pérez de Alba Ortíz is bij twee van deze projecten betrokken. Als docent Computational Soft Matter & Chemistry aan zowel het Van ’t Hoff Institute for Molecular Science (HIMS) als het Instituut voor Informatica (IvI) verpersoonlijkt hij de integratie van moleculaire wetenschap met AI.

'Een van de grootste uitdagingen bij het ontwikkelen van nieuwe moleculen en materialen is de omvang van wat wij de ‘chemische ruimte’ noemen. Daarmee bedoelen we alle mogelijke combinaties van verschillende typen atomen die samen moleculen vormen, en alle dynamiek die we bij deze moleculen tegenkomen. Die enorme ruimte kun je met gewone computertechnieken niet goed verkennen. Machineleren is echter een geweldig hulpmiddel om de ontwikkeling van materialen langs deze lijn verder te brengen.'

Extreem meerschalig

Als interessant voorbeeld noemt Pérez de Alba Ortíz het project over plantaardige eiwitmengsels voor het ontwerpen van duurzaam voedsel. Het gaat om de zogenoemde ‘eiwittransitie’, waarbij duurzame, plantaardige voedingsmiddelen vlees vervangen. 'Het is de uitdaging om uit soja, linzen, bonen en vele andere mogelijke bronnen aantrekkelijke en eiwitrijke voedingsmiddelen te ‘ontwerpen’. De focus van ons project ligt bij het modelleren van meerdere plantaardige eiwitten tot een aggregaat met de vereiste eigenschappen. Of het nu op vlees gaat lijken of niet, het moet de juiste textuur, het juiste mondgevoel, de juiste kleverigheid en andere parameters hebben zodat mensen ervan genieten.'

Onderzoekers van vier verschillende instituten leveren een bijdrage aan het onderzoek, dat extreem meerschalig van aard is. 'Het begint bij één enkel eiwitmolecuul en eindigt uiteindelijk bij het echte eetbare voedsel op je bord', zegt Pérez de Alba Ortíz. Hij voegt eraan toe dat één enkel eiwitmolecuul bepaald niet iets eenvoudigs is. Eiwitten zijn vrij complexe moleculen die bestaan uit talrijke (soms honderden) aminozuurbouwstenen. Hun moleculaire structuur bepaalt hoe ze zich vouwen en hoe hun interactie met andere eiwitten verloopt.

'Bij ‘traditionele’ moleculaire simulatie begin je met atoommodellen van de eiwitten en van daaruit probeer je hun zeer complexe interacties en aggregatie te simuleren. Het probleem is dat de bijbehorende computerberekeningen uiterst duur en tijdrovend zijn. Wij gebruiken machineleren om een ‘grofkorrelig’ model te ontwerpen waarin de eiwitten door veel eenvoudigere entiteiten worden vertegenwoordigd, een soort bollen met interactieplaatsen. Vanuit dit simplistische model kun je veel sneller simulaties uitvoeren om tot de eigenschappen van de geaggregeerde eiwitten te komen.'

Zo’n model moet natuurlijk worden getraind zodat de eenvoudigere entiteiten in hun eigenschappen en interactie nog steeds het eiwit vertegenwoordigen. 'Onze strategie is dat we op meerdere niveaus werken. Enerzijds trainen we vanuit het kleine atomaire perspectief; we modelleren de interactie tussen slechts enkele eiwitten vanuit basale beginselen. Anderzijds hanteren we een veel groter microscopisch perspectief waarbij we het model trainen door gebruik te maken van informatie over parameters zoals schuifkrachten tussen eiwitlagen. Ons idee is om vanuit beide perspectieven iteratieve cycli te verrichten om dit model te trainen zodat het weergeeft hoe de mechanische eigenschappen van de eiwitten verband houden met hun moleculaire structuur.'

De onderzoekers willen vooral graag ontdekken wat de kernaspecten zijn waarmee het eindproduct kan worden geoptimaliseerd. 'Het kan daarbij gaan om zoiets eenvoudigs als de hoeveelheid van een bepaald eiwit in het mengsel of om zoiets ingewikkelds als een specifiek aminozuur dat je in een eiwit wilt brengen. Hier gaat de biologie een rol spelen: je kunt mutaties in planten introduceren om de aminozuren in het eiwit te veranderen en daarmee de interacties tussen de eiwitten en uiteindelijk de eigenschappen van het eindproduct.' De onderzoekers hebben nog een lange weg te gaan, maar met al deze kennis hopen ze manieren te vinden om de meest duurzame plantaardige eiwitten tot smakelijke voedingsmiddelen te verwerken.

Een urgent duurzaamheidsvraagstuk

Pérez de Alba Ortíz verwacht dat de kennis van natuurkunde en scheikunde in combinatie met die van AI verrassende resultaten zal opleveren, vooral in de context van AI4SMM. 'AI maakt momenteel een razendsnelle ontwikkeling door. Er werken uitstekende mensen aan onze projecten, maar we hebben ook de wereldberoemde AI-deskundigen van vlak om de hoek nodig. Als natuur- en scheikundigen weten we wel iets van simulatie, maar AI is niet ons belangrijkste aandachtspunt. Daarom voegen we onze expertise samen met die van de Amsterdamse AI-gemeenschap.'

Voor Ensing is het samenbrengen van onderzoekers een van de grootste pluspunten van het AI4SMM-programma. 'We hebben te maken met een urgent duurzaamheidsvraagstuk waarvoor wij als wetenschappers zeer belangrijke oplossingen kunnen bieden. Met AI4SMM hopen we daaraan een substantiële bijdrage te leveren. Ik zie mijn rol als iemand die faciliteert, zodat we daadwerkelijk de krachten gaan bundelen om met de toepassing van AI op het gebied van scheikunde, materialen en duurzaamheid resultaten te boeken.'

Hij verwijst naar het Manhattan-project als een mooi voorbeeld van hoe je met een krachtige wetenschappelijke aanpak vorderingen kunt maken en resultaten kunt bewerkstelligen. 'Dit soort consortia zijn erg belangrijk: we brengen wetenschappers bijeen om samen te werken in plaats van om elkaar te beconcurreren om onderzoeksgelden binnen te slepen. En wat dit onderwerp betreft, kunnen we zaken vanuit Amsterdam echt in beweging zetten. Maar uiteindelijk moet het natuurlijk niet in Amsterdam blijven. We moeten echt groot denken en aan een Nederlands consortium werken dat de moleculen en materialen voor een duurzame toekomst vervaardigt.'