PathogenFinder2 van DTU kan de potentiële dreiging van onbekende bacteriën inschatten — maar er zit een addertje onder het gras

Het nieuwe model van de DTU komt met een sprekende belofte — en een praktische spanning

Op 27 maart 2026 lanceerden onderzoekers van de Technical University of Denmark (DTU) een nieuwe AI-dienst: PathogenFinder2, een gratis module binnen het Global Pathogen Analysis Platform (GPAP) die gebruikers in staat stelt volledige bacteriële genomen te testen, waarna de tool de potentiële dreiging van die genomen beoordeelt. In een heldere samenvatting bij het Bioinformatics-artikel stelt het team onder leiding van Alfred Ferrer Florensa dat het model eiwitten en genetische signalen kan identificeren die verband houden met virulentie, zelfs wanneer het organisme geen nauwe bekende verwanten heeft. Het resultaat is een snel, interpreteerbaar signaleringssysteem voor rioolwateronderzoek, de ontdekking van wilde microben en microbioomscanning dat — op papier — de beoordeling verschuift van “we weten het niet” naar “deze ziet er zorgwekkend uit.”

Die capaciteit is nu van belang omdat genomische sequencing — van afvalwater, voedsel, dierlijke reservoirs en menselijke monsters — geëxplodeerd is. Groepen ontdekken bacteriesoorten zonder klinische voorgeschiedenis; volksgezondheidsinstanties kunnen niet bij elk klein alarm wekenlang wachten op kweekonderzoek en uitgebreide fenotypering. PathogenFinder2 belooft deze ontdekkingen te triageren en aan te geven welke genomen dringend wet-lab-vervolgonderzoek verdienen en welke als achtergrondruis kunnen worden weggezet. Maar de technologie brengt ook de bekende afwegingen met zich mee: snellere triage, meer vals-positieven; interpreteerbaarheid van het model, maar ook bias in de trainingsset; en waarde voor de volksgezondheid, maar aanzienlijke tekortkomingen in de governance over wie actie onderneemt op basis van de waarschuwingen.

Hoe de tool de potentiële dreiging beoordeelt: eiwit-taalmodellen en 21.000 genomen

Het team trainde en valideerde het systeem op wat zij beschrijven als de grootste gelabelde dataset tot nu toe: meer dan 21.000 genomen die geannoteerd zijn als ziektegerelateerd of niet-pathogeen, afkomstig uit klinische isolaten, microbioomonderzoeken, probiotische stammen en zelfs extremofielen. Cruciaal is dat het model ook een verklaring geeft: het belicht de specifieke eiwitten of regio's die de sterkste invloed hebben op een hoog risicocijfer — klassieke virulentiefactoren zoals toxines of adhesines, maar ook voorheen niet-gekarakteriseerde eiwitten die laboratoriumonderzoek rechtvaardigen. Die interpreteerbaarheid is bewust: DTU positioneert PathogenFinder2 als een instrument voor het prioriteren van bewijsmateriaal in plaats van als een definitieve arbiter van pathogeniteit.

Wanneer de tool de potentiële dreiging beoordeelt — sterktes, blinde vlekken en vergelijking met laboratoriumtests

Maar computationele voorspelling is geen vervanging voor het fenotype. Klassieke microbiologie — groeicurves, interactie-assays tussen gastheer en cel, diermodellen en klinische correlatie — blijft de gouden standaard om aan te tonen dat een bacterie ziekte veroorzaakt. AI-scores zijn probabilistisch en vatbaar voor twee praktische fouten: vals-negatieven (nieuwe mechanismen die het model niet heeft geleerd) en vals-positieven (biochemische kenmerken die in sommige contexten gecorreleerd zijn met virulentie, maar in andere onschadelijk zijn). Bovendien verschillen sequencing-platforms — Illumina en Nanopore hebben verschillende foutprofielen — en die technische verschillen kunnen beïnvloeden welke eiwitten betrouwbaar worden geïdentificeerd. Het resultaat: PathogenFinder2 kan het beste worden gezien als een beslissingsondersteunend filter dat monsters prioriteert voor gericht laboratoriumonderzoek, niet als een machine voor volksgezondheidsoordelen.

Waar PathogenFinder2 past in surveillance en hoe het besluitvorming in de volksgezondheid kan veranderen

Bij verstandig gebruik verkort een genomisch triage-instrument de tijd tussen ontdekking en actie. DTU en haar partners wijzen op toepassingen die al bekend zijn bij volksgezondheidsteams: rioolwatersurveillance voor vroege signalen van uitbraken, het screenen van omgevingsmonsters uit voedselketens en het analyseren van microbiomen van gezonde personen om stammen met riskante kenmerken te identificeren. Als een genoom uit een afvalwaterleiding oplicht met meerdere eiwitten van grote invloed, kunnen laboratoria kweek- en infectiviteitsassays als eerste aan dat monster toewijzen, en kunnen toezichthouders gericht contactonderzoek of bemonstering opstarten.

Toch hangt de invloed van dergelijke tools op het beleid af van verschillende operationele realiteiten. Ten eerste varieert de laboratorium- en klinische capaciteit sterk tussen regio's: veel volksgezondheidssystemen missen de hoge inperkingscapaciteit en gespecialiseerde tests die nodig zijn om AI-meldingen te bevestigen. Ten tweede hebben instanties vertrouwen nodig in de operationele kenmerken van de tool in hun lokale setting — sensitiviteit, positief voorspellende waarde en patronen van vals-positieven — en dat vereist onafhankelijke validatiedatasets, niet alleen de door DTU samengestelde trainingsset. Ten derde moeten beleidsmakers de kosten van het handelen naar aanleiding van AI-aanwijzingen afwegen tegen de sociale en economische gevolgen van voortijdige alarmen. De tool verkort één tijdlijn (genomische triage), maar sluit op zichzelf de cirkel van genomisch signaal naar effectieve interventie niet.

Macht, privacy en dual-use: wat de inzet van een model dat de potentiële dreiging beoordeelt onthult over governance

PathogenFinder2 bevindt zich op het lastige snijvlak van mogelijkheden en verantwoordelijkheid. Er zijn drie governance-risico's die aandacht verdienen. De eerste is privacy- en wetgeving op het gebied van gegevensuitwisseling: genomische gegevens — vooral wanneer ze gekoppeld zijn aan menselijke of agrarische metadata — zijn in veel rechtsgebieden onderworpen aan strikte regels (bijvoorbeeld de AVG in Europa). Grensoverschrijdende gegevensstromen, die nodig zijn voor robuuste training en evaluatie, worden vaak beperkt door beleid. Ten tweede is er gelijkheid: welvarende laboratoria zullen AI-meldingen snel valideren; regio's met beperkte middelen kunnen voorspellende tools hun onvermogen om te handelen zien vergroten, waardoor gaten in de surveillance groter worden.

Het derde risico is dual-use. Commentatoren hebben erop gewezen dat AI-methoden kunnen worden hergebruikt om biologische agentia te ontwerpen of aan te passen. Het PathogenFinder2-team benadrukt interpreteerbaarheid en gebruik voor het algemeen belang, maar open, krachtige modellen leiden onvermijdelijk tot een afweging tussen transparantie en potentieel misbruik. Het veld moet capaciteit koppelen aan gelaagde waarborgen: toegangscontrole op zoekopdrachten naar ruwe sequenties, stapsgewijze openbaarmaking van modeldetails en streng toezicht van internationale instanties die al gaan over pathogeensurveillance en voedselveiligheid. Zonder die maatregelen zou een tool die bedoeld is om verrassingen te beperken, een vector voor nieuwe risico's kunnen worden.

Datagaten en de volgende bewijzen die de tool nodig heeft

Het genoom is precies; de beslissingen die eromheen worden genomen zijn dat niet. PathogenFinder2 leest eiwitten; of instellingen de waarschuwingen correct interpreteren zal bepalen of de tool de volgende uitbraak voorkomt of simpelweg een extra dashboard toevoegt aan een toch al overvolle cockpit van de volksgezondheid.

Bronnen

• Bioinformatics (tijdschrift) — Florensa A. F. et al., whole-genome prediction of bacterial pathogenic capacity using protein language models (PathogenFinder2).
• Technical University of Denmark (DTU) — persmateriaal van het DTU National Food Institute en de onderzoeksgroep voor Genomic Epidemiology.
• npj Science of Food (Nature) — review: Advancing microbial risk assessment and detection technologies.
• World Health Organization (WHO) — richtlijnen waarnaar wordt verwezen voor internationale kaders voor risicobeoordeling en het delen van gegevens.