Multi-omics feature engineering gedreven door biomedische foundation-modellen verbetert voorspelling van geneesmiddelrespons bij patiënten met inflammatoire darmziekte

Waarom dit onderzoek belangrijk is voor patiënten

Mensen met een inflammatoire darmziekte (IBD) komen vaak in een frustrerend proef-en-fouttraject terecht bij het starten van nieuwe medicijnen. Hetzelfde geneesmiddel kan bij de ene persoon ernstige darmontsteking doen verdwijnen, terwijl het bij een ander nauwelijks effect heeft. Deze studie onderzoekt hoe krachtige nieuwe kunstmatige-intelligentie (AI)-modellen, oorspronkelijk ontwikkeld om biologie op grote schaal te doorgronden, kunnen worden hergebruikt om veel meer inzicht uit kleine patiëntgegevens te halen. Het doel is eenvoudig maar ambitieus: aan de hand van iemands genetische en moleculaire profiel van tevoren voorspellen hoe goed die persoon op een veelgebruikt IBD-middel zal reageren.

Grote AI gebruiken om kleine studies te helpen

Traditionele medische AI-instrumenten hebben moeite wanneer het aantal patiënten klein is, zelfs als elke patiënt grondig gemeten is. In dit werk draaien de onderzoekers dat probleem om door kennis te lenen van een enorm “foundation model” genaamd MAMMAL, oorspronkelijk getraind op uitgebreide verzamelingen eiwit- en medicijngegevens. In plaats van dit model opnieuw te trainen, gebruiken ze het als een slimme rekenmachine om in te schatten hoe sterk een bepaald geneesmiddel bindt aan duizenden menselijke eiwitten. Die bindingssterktescores worden vervolgens nieuwe, informatie-rijke kenmerken die in meer bescheiden machine-learningmodellen kunnen worden ingevoerd die zijn toegespitst op de 51 IBD-patiënten in deze studie.

In de darm kijken naar DNA en RNA

Het team werkte met weefselmonsters genomen uit de ontstoken darmen van mensen met colitis ulcerosa of de ziekte van Crohn. Van elk monster maten ze twee hoofdlagen van biologische informatie: DNA, met focus op kleine genetische variaties genaamd SNPs, en RNA, dat weergeeft hoe actief elk gen in het weefsel is. Ze stelden het weefsel ook bloot aan prednisolon, een standaard eerstelijns steroïde behandeling voor IBD, en maten hoeveel een belangrijke ontstekingssignaalstof genaamd TNFα daalde als reactie. Deze verandering in TNFα fungeerde als een proxy voor hoe goed het weefsel van die patiënt op het geneesmiddel reageerde. De uitdaging was om duizenden genetische en moleculaire metingen te verbinden aan deze uitkomst van geneesmiddelrespons.

Modellen leren waar ze op moeten letten

De eerste stap was beslissen welke eiwitten en genen voor de modellen het belangrijkst waren. Met behulp van het foundation model schatten de onderzoekers in hoe sterk prednisolon zou binden aan meer dan 11.000 menselijke eiwitten, en concentreerden zich vervolgens op de top 5 procent met de sterkste voorspelde binding. Bemoedigend was dat deze korte lijst de bekende doelen van het geneesmiddel en eiwitten die betrokken zijn bij chemische waarneming en signalering bevatte, wat suggereert dat de rangschikking door de AI biologisch zinvol was. Ze combineerden deze lijst daarna met ieders DNA-veranderingen, creëerden gepersonaliseerde "gemuteerde" eiwitsequenties en berekenden opnieuw hoe elke mutatie de prednisolonbinding iets zou kunnen versterken of verzwakken. Deze voorspelde verschuivingen in bindingssterkte werden compacte, patiëntspecifieke kenmerken die vastleggen hoe varianten in sleutelproteïnen de werking van het geneesmiddel kunnen beïnvloeden.

Genetische signalen mengen met genactiviteit

Vervolgens voegden de onderzoekers genactiviteit uit RNA-metingen toe, afkomstig van hetzelfde darmweefsel dat werd gebruikt in de geneesmiddeltesten. Voor elk geprioritiseerd eiwit koppelden ze de voorspelde bindingssterkte aan de activiteit van het bijbehorende gen, en vermenigvuldigden die twee ook om een "interactie‑status" te creëren die zowel weerspiegelt hoe sterk het geneesmiddel naar verwachting bindt als hoeveel van het doelwit aanwezig is. Machine-learningmodellen die op deze verrijkte kenmerken werden getraind, waren beter in staat onderscheid te maken tussen monsters die goed op prednisolon reageerden en monsters die dat niet deden, vergeleken met modellen die meer basale representaties van dezelfde DNA-gegevens gebruikten. Sommige van de meest invloedrijke kenmerken verwezen naar families van reukgerelateerde receptoren en een receptor betrokken bij het rustgevende hersensignaal GABA, wat wijst op mogelijk ondergewaardeerde rollen van deze eiwitten bij darmontsteking en steroïderespons.

Complexe hulpmiddelen bruikbaar maken voor niet-experts

Buiten de biologie pakten de onderzoekers ook een praktisch obstakel aan: de meeste laboratoria missen de computerexpertise die nodig is om grote foundation-modellen uit te voeren. Om dit te verhelpen, verpakten ze hun binding-affiniteitworkflow in een open Model Context Protocol (MCP)-server die rechtstreeks kan worden aangeroepen door AI-assistenten zoals Claude of ChatGPT. Met deze opzet kan een wetenschapper in gewone taal vragen om voorspelde bindingen tussen een geneesmiddel en een set eiwitten, terwijl het systeem de technische stappen op de achtergrond afhandelt. Dit verlaagt de drempel voor anderen om vergelijkbare gepersonaliseerde vragen over geneesmiddelrespons met hun eigen gegevens te verkennen.

Wat dit betekent voor toekomstige behandelkeuzes

In praktische termen laat dit werk zien hoe één krachtig AI-model, getraind op enorme openbare datasets, kleine, realistische patiëntstudies boven hun gewicht kan laten uitstijgen. Door ruwe DNA‑veranderingen en genactiviteit om te zetten in rijkere, biologisch bewuste kenmerken, verbeterden de auteurs de nauwkeurigheid van modellen die voorspellen wie waarschijnlijk baat heeft bij prednisolon. De resultaten zijn nog vroeg en gebaseerd op een beperkt aantal patiënten, dus de specifieke gen‑medicijnkoppelingen die zij benadrukken, moeten verder worden getest. Maar de algemene strategie — foundation-modellen gebruiken als slimme feature-generatoren en ze toegankelijk maken via eenvoudige interfaces — wijst op een toekomst waarin artsen multi-laag moleculaire tests, geïnterpreteerd met AI, kunnen gebruiken om voor elke persoon met IBD het juiste geneesmiddel en de juiste dosering te kiezen.

Bronvermelding: Gardiner, LJ., Kelly, J., Evans, A. et al. Multi-omics feature engineering driven by biomedical foundation models improves drug response prediction for inflammatory bowel disease patients. Sci Rep 16, 13820 (2026). https://doi.org/10.1038/s41598-026-44366-y

Trefwoorden: inflammatoire darmziekte, voorspelling van geneesmiddelrespons, biomedische foundation-modellen, multi-omics, gepersonaliseerde geneeskunde