AI-ontworpen virus: Snelheid en gevaar

Een experiment en een krantenkop

Deze week verscheen een dramatisch verslag op het kruispunt van twee snel evoluerende vakgebieden: artificiële intelligentie en synthetische biologie. Volgens berichten van 5 februari 2026, gebaseerd op activiteiten die zouden hebben plaatsgevonden op 26 januari 2026, hebben onderzoekers die werken met een AI-systeem genaamd Evo2 het model de opdracht gegeven om een "virus te ontwerpen". Vervolgens zouden ze het resulterende DNA hebben geprint en een levensvatbare biologische constructie in het laboratorium hebben geobserveerd. De episode — samengevat in persberichten en een bijbehorende preprint — is een duidelijk voorbeeld van hoe een door AI ontworpen virus het tempo onderstreept, en waarom die snelheid van belang is voor zowel innovatie als veiligheid.

Hoe het werk werd gerapporteerd en wat is geverifieerd

Het publieke narratief combineert drie soorten bronnen: een mediaverslag van het werk van het Stanford/Genyro-team, een bioRxiv-preprint over generatief faagontwerp, en de bestaande wetenschappelijke literatuur over AI-tools voor eiwit- en genoomontwerp. Samen wijzen deze bronnen erop dat groepen nu gebruikmaken van grote biologische datasets en generatieve modellen om sequenties voor te stellen die voorheen niet in databases bestonden. Er zijn echter belangrijke kanttekeningen. De samenvatting in de pers is geen collegiaal getoetste validatie; de preprint is voorlopig; en onafhankelijke replicatie en volledige methodologische openbaarmaking zijn nodig voordat de gemeenschap claims kan bevestigen over hoe de sequentie is gemaakt, of deze werkelijk de novo was, en welke maatstaven de "levensvatbaarheid" ervan bewezen.

Door AI ontworpen virus onderstreept tempo — snelheid, schaal en dual‑use risico's

Wat deze episode onderscheidt van eerdere mijlpalen is de verkorting van de ontwerptijdlijn. AI-tools die grote verzamelingen genomen lezen en de relaties tussen sequentie en functie leren, kunnen binnen enkele uren kandidaat-sequenties voorstellen. Onderzoekers wijzen op voorbeelden waarbij AI de tijdlijnen voor de ontwikkeling van vaccins of medicijnen verkortte van maanden tot dagen; generatieve modellen kunnen nu de sequentiële ruimte verkennen op een schaal die geen enkel menselijk team handmatig zou kunnen scannen. Die capaciteit ligt aan de basis van legitieme verwachtingen — snellere tegenmaatregelen, op maat gemaakte bacteriofagen voor de behandeling van antibioticaresistente infecties en efficiëntere industriële enzymen — maar het verkleint ook het tijdsbestek waarbinnen bestuur, toezicht en technische waarborgen kunnen reageren.

Dual-use-kwesties staan hierbij centraal: dezelfde algoritmen die een faag voorstellen die een bacteriestam beter doodt, zouden verkeerd gebruikt kunnen worden voor ontwerpen die het bereik van de gastheer, de pathogeniciteit of de ecologische stabiliteit versterken. De snelheid van berekening versterkt het klassieke dual-use-dilemma, omdat digitale ontwerpen draagbaar zijn en vaak reproduceerbaar met commercieel verkrijgbare DNA-synthese, geautomatiseerde klonering en laboratoriumrobotica.

Wat betekent een "door AI ontworpen virus" eigenlijk?

"Door AI ontworpen virus" is een verkorte term voor een computationele pijplijn die een nucleïnezuursequentie voorstelt waarvan wordt voorspeld dat deze op specifieke manieren zal vouwen, tot expressie zal komen en interacties zal aangaan. Moderne modellen — van voorspellers van eiwitstructuren tot taalmodellen voor DNA — leren statistische verbanden uit miljoenen tot biljoenen sequentiefragmenten. Een generatief model kan vervolgens sequenties bemonsteren die de gewenste eigenschappen in silico maximaliseren. Maar ontwerp is slechts de eerste stap. Om een reeks letters te veranderen in een infectieus of functioneel biologisch deeltje is assemblage nodig (het synthetiseren en samenvoegen van DNA), evenals de juiste gastheer of het juiste verpakkingssysteem, regulatoire elementen (promoters, terminators, verpakkingssignalen) en zorgvuldige fenotypische tests. Kortom: een plausibele sequentie is niet hetzelfde als een automatisch functionerende pathogeen; er blijven veel technische barrières bestaan tussen bytes en biologie, al vallen die barrières weg naarmate synthese, automatisering en AI gezamenlijk evolueren.

Hoe AI de synthetische biologie versnelt

AI versnelt synthetische biologie in meerdere stappen. Discriminatieve modellen voorspellen structuur op basis van sequenties (AlphaFold en opvolgers hebben de voorspellingen van eiwitvouwing drastisch verbeterd), terwijl generatieve modellen nieuwe aminozuursequenties of volledige genomen voorstellen. In combinatie met robotlabs die bouw-test-cycli automatiseren, kunnen deze modellen ontwerp-bouw-test-leer-cycli aansturen met veel minder menselijke werkuren. Taalmodel-benaderingen getraind op genomen kunnen regulatoire motieven identificeren, promoters ontwerpen of volledige virale genomen met aangepaste eigenschappen suggereren. De Nature-review over de convergentie van AI en synthetische biologie benadrukt dat dit niet hypothetisch is: autonome of semi-autonome pijplijnen optimaliseren nu al metabole routes, enzymactiviteiten en therapeutische constructen, en de trend wijst naar steeds capabelere systemen.

Risico's, beperkingen en waarom context belangrijk is

Technische beperkingen matigen het risico, maar nemen het niet weg. Het creëren van een agens dat zich repliceert, verspreidt of ziekte veroorzaakt bij mensen brengt biologische beperkingen met zich mee die niet eenvoudig te omzeilen zijn met een betere sequentie: gastheerspecificiteit, immuunrespons en ecologische dynamiek zijn van belang. Dat gezegd hebbende, verhoogt de verlaagde drempel voor plausibel ontwerp — gecombineerd met wereldwijde toegang tot synthese, goedkopere sequencing en laboratoriumdiensten op afstand — de kans op onbedoeld of opzettelijk misbruik.

Modelfouten vormen een ander risico. AI-systemen kunnen biologisch onmogelijke motieven hallucineren of overfitten op biases in de trainingsdata. Ondoorzichtige modellen maken het moeilijk om faalmodi te voorspellen. Die zwakheden zijn vooral van belang wanneer de output van een model wordt uitgevoerd zonder grondige experimentele validatie en menselijk oordeel.

Door AI ontworpen virus onderstreept tempo — welke waarborgen bestaan er en wat ontbreekt er

Sommige waarborgen zijn al van kracht: commerciële DNA-leveranciers screenen bestellingen over het algemeen tegen lijsten met gevaarlijke sequenties en hanteren screeningprocedures voor klanten. Het United States Office of Science and Technology Policy en andere instanties hebben kaders en richtlijnen opgesteld voor het screenen van nucleïnezuren en 'best practices' voor leveranciers. Professionele normen, institutionele bioveiligheidscommissies en subsidievoorwaarden vormen eveneens controlepunten.

Maar deze beschermingen vertonen gaten. Screening op basis van sequenties heeft moeite met nieuwe ontwerpen die geen homologie vertonen met bekende dreigingen; geautomatiseerde pijplijnen kunnen menselijk toezicht omzeilen; en veel leveranciers en gebruikers opereren buiten gereguleerde omgevingen. De Nature-analyse pleit voor een mix van technische, beleidsmatige en culturele maatregelen: sterkere, gestandaardiseerde screening (inclusief functiebewuste tools), verplichte logging en auditing voor geautomatiseerde wet labs, human-in-the-loop-controlepunten, verklaarbaarheid van modellen en 'red-teaming' van AI-systemen. Internationale coördinatie is cruciaal, omdat informatie en materialen sneller de grens overgaan dan regelgeving.

Innovatie en veiligheid in evenwicht brengen

De potentiële voordelen zijn aanzienlijk. Generatief ontwerp zou op maat gemaakte bacteriofagen kunnen opleveren voor medicijnresistente infecties, het ontwerp van vaccins tijdens een uitbraak kunnen versnellen en de inzet van enzymen voor duurzame productie kunnen vergroten. De uitdaging is om die voordelen te behouden en tegelijkertijd de risico's te verminderen. Redelijke stappen omvatten het vereisen van herkomstcontrole en screening van DNA-bestellingen voor federaal gefinancierde laboratoria, het financieren van onafhankelijke verificatie en replicatie van claims met een grote impact, het verplichten van documentatie over modellen en trainingsdata waar veiligheid in het geding is, en het investeren in verklaarbare AI-benaderingen die de variabelen achter de ontwerpen inzichtelijk maken.

Even belangrijk zijn sociale maatregelen: training van personeel in dual-use-bewustzijn, transparante rapportagekanalen en bestuur door meerdere belanghebbenden, waaronder wetenschappers, ethici, de industrie en het maatschappelijk middenveld. Deze mechanismen kunnen helpen garanderen dat het menselijk oordeel een actief onderdeel blijft van kritieke beslissingen, in plaats van deze volledig te delegeren aan ondoorzichtige systemen.

Waar we de komende tijd op moeten letten

Vervolgverslagen van de onderzoeksteams, onafhankelijke laboratoriumreplicatie en collegiaal getoetste publicaties zullen op de korte termijn de belangrijkste signalen zijn. Toezichthouders en synthese-aanbieders zullen ook sleutelrolspelers zijn: wijzigingen in screeningsregels, inkoopbeleid of verplichte logging zouden duiden op een serieuze beleidsreactie. Ten slotte zal het traject van het vakgebied afhangen van hoe snel autonome laboratoria en volledig generatieve ontwerppijplijnen volwassen worden — en of het bestuur zich in een vergelijkbaar tempo ontwikkelt.

De Evo2-episode is een tijdige herinnering dat computationele kracht het tempo van de biologie heeft veranderd. De vraag is nu niet of AI biologische code zal schrijven, maar hoe de samenleving een wereld zal besturen waarin dit sneller kan dan voorheen.

Bronnen

• npj Biomed. Innov. (Nature manuscript: "The convergence of AI and synthetic biology: the looming deluge")
• Stanford University / Genyro (onderzoeksverslagen en preprints over generatief bacteriofaagontwerp)
• bioRxiv preprint repository (preprint over generatief ontwerp van nieuwe bacteriofagen)
• United States Office of Science and Technology Policy — Framework for Nucleic Acid Synthesis Screening
• National Academies of Sciences, Engineering, and Medicine (rapporten over biodefensie en synthetische biologie)