AI-model ontwerpt werkende eiwitten op basis van een zin in gewone taal
Chinese onderzoekers maakten een AI-model dat eiwitten ontwerpt vanuit een beschrijving in gewone taal. In vier proeven deed het resultaat ook echt wat er gevraagd was: licht geven, plastic afbreken, alcohol omzetten en CO2 helpen vastleggen.
Eiwitten doen bijna al het werk in een levende cel. Ze breken stoffen af, bouwen andere stoffen op, geven licht of versnellen chemische reacties. Wie een eiwit wil dat iets heel specifieks doet, moest tot nu toe twee lastige wegen bewandelen: beginnen bij een bestaand eiwit uit de natuur en dat stap voor stap bijschaven, of het doel eerst zelf vertalen naar precieze eisen over vorm en bouwstenen. Beide vragen jarenlange ervaring.
Onderzoekers van onder meer Westlake University in het Chinese Hangzhou presenteerden op 21 oktober 2026 in het tijdschrift Nature een model dat die vertaalslag overneemt. Het heet Pinal. Je beschrijft in gewone taal wat het eiwit moet doen, en het model levert kandidaten. Bij vier heel verschillende opdrachten deden die kandidaten in het lab ook echt wat er was gevraagd.
Van zin naar molecuul
Pinal werkt in twee stappen. Eerst bedenkt het bij de beschrijving een vorm: de ruimtelijke figuur die het eiwit moet krijgen. Daarna zoekt het de keten van aminozuren die zichzelf tot die vorm opvouwt.
Het model telt 16 miljard instelbare waarden, de omvang van een flink taalmodel. Het is getraind op 1,7 miljard combinaties van een eiwit en een bijbehorende beschrijving, die grotendeels automatisch zijn samengesteld uit openbare eiwitdatabanken.
Voor elke opdracht maakt Pinal duizenden kandidaten. De onderzoekers zeven die eerst met de computer uit: ze kijken of het ontwerp zich waarschijnlijk netjes zal opvouwen en of het inderdaad past bij de beschrijving. Pas de beste paar gaan het lab in.
Vier opdrachten, vier keer resultaat
De eerste test was een lichtgevend eiwit, het soort dat biologen gebruiken om cellen zichtbaar te maken. Van 29 geteste ontwerpen gaf er één licht, met een bouwstenenvolgorde die sterk afwijkt van het natuurlijke voorbeeld uit de kwal.
De tweede was een enzym dat PET kan afbreken, het plastic van frisdrankflessen en kledingvezels. Uit ruim 2.400 kansrijke ontwerpen testten de onderzoekers de 94 best scorende; daar zat er één tussen die het plastic daadwerkelijk aantastte.
De derde opdracht was een enzym dat alcohol omzet. Van acht geteste ontwerpen bleken er vijf te werken. En de vierde was een H-eiwit: een onderdeel van een reeks enzymen die samen CO2 omzetten in een bruikbare stof. Het beste ontwerp leverde 1,7 keer zo veel eindproduct op als het natuurlijke H-eiwit van de darmbacterie E. coli — zonder dat er rondes van bijschaven aan te pas kwamen.
Open, maar niet helemaal
Pinal is vrijgegeven onder een open licentie. De code staat op GitHub, het getrainde model op Hugging Face, en er is een website waar je het zonder installatie kunt proberen.
De trainingsgegevens en de complete trainingsmethode houden de onderzoekers wel achter de hand. Hun redenering: wie die spullen in handen heeft, kan een vergelijkbaar systeem bouwen op gevoelige biologische gegevens. De beoordelaars van Nature kregen er vertrouwelijk inzage in. Het model zelf is niet op virussen getraind, omdat de gebruikte databank met eiwitvormen geen virale eiwitten bevat. Grote modellen als AlphaFold en ESM3 worden op een vergelijkbare manier vrijgegeven.
Wat betekent dit voor de weg naar de singulariteit?
Het interessante hier is niet dat een computer een eiwit ontwerpt, dat gebeurt al langer. Het is de bedieningsknop. Tot nu toe moest wie iets wilde bouwen in de levende natuur eerst de taal van de vakspecialist leren: vouwpatronen, hechtpunten, scoringsdrempels. Nu volstaat een zin.
Dat is dezelfde verschuiving die programmeren doormaakte toen je een computer kon vertellen wat je wilde in plaats van hoe hij het moest doen. En het sluit aan op wat we elders zien gebeuren: AI-modellen die zelf een complete ontwerpronde uitvoeren in plaats van een los rekenklusje.
Tegelijk houdt het lab het laatste woord. Van duizenden ontwerpen haalt een handjevol de eindstreep, en iemand moet ze nog altijd namaken en meten. De echte winst zit erin dat het bedenken geen knelpunt meer is: de vraag verschuift van "kunnen we dit ontwerpen?" naar "wat willen we eigenlijk hebben?". Dat de onderzoekers hun trainingsgegevens bewust niet vrijgeven, laat zien dat die vraag ook een keerzijde heeft — en dat het veld daar nu zelf over nadenkt.
