Een no-code AI-platform maakt geavanceerde eiwitontwerp-tools toegankelijk voor biologen en onderzoekers zonder diepgaande machine learning-expertise. Dit kan de ontwikkeling van nieuwe therapeutica en industriële toepassingen versnellen door het ontwerpproces efficiënter te maken.

Wat er aan de hand is

Het bedrijf OpenProtein.AI, opgericht door MIT-alumni, heeft een no-code platform gelanceerd dat wetenschappers toegang geeft tot krachtige foundation-modellen voor eiwitontwerp. Het platform biedt een suite aan tools voor het ontwerpen van eiwitten, het voorspellen van eiwitstructuur en -functie, en het trainen van modellen. Volgens het bedrijf worden onderzoekers in farmaceutische en biotechbedrijven van alle groottes al uitgerust met deze tools. Het platform wordt ook gratis aangeboden aan wetenschappers in de academische wereld. De oprichter, Tristan Bepler, stelt dat deze modellen eiwitengineering niet alleen efficiënter kunnen maken, maar ook het vermogen kunnen vergroten om nieuwe eiwitten met specifieke eigenschappen te ontwerpen.

Wat dit betekent

Voor het Nederlandse MKB in de life sciences, gezondheidszorg, agrofood of industriële biotechnologie betekent dit een verschuiving. Innovatie op het gebied van eiwitten – de bouwstenen van biologie – was voorbehouden aan grote farmaceuten en gespecialiseerde onderzoeksgroepen met dure infrastructuur en diepgaande AI-expertise. Dit platform democratiseert die toegang. Het betekent dat een klein biotech-startup, een gespecialiseerd voedingsmiddelenbedrijf of een MKB’er in de diagnostiek nu, zonder een team van datawetenschappers in dienst te nemen, kan experimenteren met het ontwerpen van nieuwe enzymen, therapeutische eiwitten of biosensoren. Het versnelt de ontwikkelcyclus en verlaagt de drempel om met AI-gestuurde biologische innovatie te beginnen.

Hoe je dit kunt toepassen

De praktische toepassing hangt sterk af van jouw specifieke situatie binnen de life sciences of aanverwante sectoren. De kern van het platform is het toegankelijk maken van complexe AI voor eiwitontwerp. Hier zijn enkele mogelijke scenario’s hoe dit voor MKB’ers relevant kan zijn:

Als je een klein biotech-bedrijf runt dat zich richt op enzymontwikkeling voor industriële processen… Je zou het platform kunnen gebruiken om sneller varianten van een bestaand enzym te screenen op hogere activiteit of stabiliteit onder specifieke omstandigheden (bijv. hoge temperatuur). In plaats van maanden van trial-and-error in het lab, kun je eerst duizenden virtuele varianten door het AI-model laten analyseren om de meest veelbelovende kandidaten te selecteren voor synthese en testen.

Als je een MKB’er bent in de diagnostiek en werkt aan op antilichamen gebaseerde tests… Een mogelijkheid is om het platform te verkennen voor het ontwerpen of optimaliseren van de bindingsregio’s van antilichamen. Het doel zou kunnen zijn om de specificiteit voor een bepaald ziektebiomarker te verbeteren of kruisreactiviteit te verminderen, wat de nauwkeurigheid van je diagnostische test ten goede komt.

Als je een ondernemer bent in de agrofood-sector en zoekt naar natuurlijke conserveermiddelen of smaakversterkers… Overweeg om de AI-tools te gebruiken om kleine, stabiele eiwitten (peptiden) te ontwerpen met specifieke antibacteriële eigenschappen of die bepaalde smaakreceptoren kunnen beïnvloeden. Dit opent een nieuwe route voor innovatie naast traditionele chemische of extractie-methoden.

Als je een adviseur of consultant bent voor MKB-bedrijven in de life sciences… Je zou deze ontwikkeling kunnen volgen als een signaal dat AI-gestuurd eiwitontwerp betaalbaarder en toegankelijker wordt. Dit stelt je in staat om klanten te adviseren over strategische kansen en hen te wijzen op platforms die hun R&D-proces kunnen versnellen zonder enorme investeringen in eigen AI-capaciteit.

De toepassing begint met het identificeren van een specifiek eiwitgerelateerd probleem in je proces of product en het verkennen of een AI-gestuurd ontwerp- of optimalisatietraject daar een oplossing voor kan bieden.

Bron: MIT News (https://news.mit.edu/2026/bringing-ai-driven-protein-design-tools-everywhere-0417)