> ## Content Index
> Fetch the complete content index at: https://ontraadseld.nl/llms.txt
> Use this file to discover other available public pages before exploring further.

# Denkt een AI-model écht na over eiwitten, of leert het gewoon spieken?
- URL: https://ontraadseld.nl/denkt-een-ai-model-echt-na-over-eiwitten-of-leert-het-gewoon-spieken/
- Published: 2026-09-09T14:02:18.000Z
- Updated: 2026-09-25T09:03:47.000Z
- Author: Ontraadseld
- Tags: Biologie & Evolutie

Stel dat je een leerling een proefwerk geeft, maar alle goede antwoorden staan toevallig op de even pagina's. Een slimme leerling ontdekt dat patroon en scoort hoog, zonder de stof echt te snappen. Iets soortgelijks gebeurt nu bij computermodellen die voorspellen welke eiwitten in ons lichaam met elkaar samenwerken.

Eiwitten zijn de bouwstenen en werkpaardjes van onze cellen. Ze moeten vaak met elkaar "aandokken" om iets te laten gebeuren, bijvoorbeeld een signaal doorgeven of een spier laten samentrekken. Wetenschappers gebruiken kunstmatige intelligentie (AI) om te voorspellen welke eiwitten wel en niet samenwerken. Die AI-modellen leren van grote databases vol bekende eiwit-interacties.

### Het probleem: onhandige databases

Een team van onderzoekers zocht uit of die databases wel eerlijk in elkaar zitten. Ze bekeken drie bekende verzamelingen (HIPPIE, IntAct en STRING) en twee datasets die gebaseerd zijn op 3D-structuren van eiwitten. De conclusie: deze databases geven geen zuiver beeld van de biologie. Ze bevatten sluipwegen, oftewel: toevallige patronen waardoor een AI-model kan "spieken" in plaats van echte biologische kennis op te bouwen.

Een voorbeeld van zo'n sluipweg: als je de trainingsdata en de testdata gewoon willekeurig uit elkaar trekt, kan een model leren herkennen welke eiwitten "toevallig" vaak in dezelfde groep voorkomen, zonder dat dit iets met hun werkelijke functie te maken heeft. Dat heet een topologische sluipweg. Zelfs als onderzoekers ervoor zorgen dat dezelfde eiwitten niet in beide groepen voorkomen, blijven er andere sluipwegen over. Denk aan eiwitten die met zichzelf reageren, eiwitten uit dezelfde diersoort, of eiwitten met een vergelijkbare functie. Hoe vaak deze sluipwegen voorkomen, hangt af van welke database je gebruikt.

### Een verrassende valkuil

Een interessante ontdekking: als je bij het trainen "negatieve voorbeelden" kiest (dus paren eiwitten waarvan je zeker weet dat ze *niet* samenwerken), lijkt het logisch om alleen de meest betrouwbare non-matches te gebruiken. Maar precies deze aanpak versterkt juist de sluipweg rond functionele verwantschap. Een keuze die intuïtief slim aanvoelt, werkt dus averechts.

### De oplossing: een eerlijker recept

De onderzoekers ontwikkelden een gratis, openbaar beschikbaar computerprogramma (een "pipeline") dat deze sluipwegen opspoort en zoveel mogelijk wegneemt. Het verdeelt data zo dat je zo weinig mogelijk bruikbare informatie verliest, en het kiest negatieve voorbeelden zo dat de bekende vertekeningen worden geminimaliseerd. Beide stappen zijn wiskundig geoptimaliseerd. Volgens de onderzoekers is dit idee, sluipwegen actief opsporen en wegoptimaliseren, in principe ook bruikbaar voor andere AI-toepassingen waarbij er veel meer "negatieve" dan "positieve" voorbeelden zijn.

**Wat betekent dit (nog) niet:** Dit betekent niet dat bestaande AI-voorspellingen over eiwit-interacties waardeloos zijn, of dat alle eerdere onderzoeksresultaten opnieuw moeten. Het laat vooral zien dat toekomstige modellen zorgvuldiger getraind moeten worden, en dat resultaten uit modellen die op de oude manier zijn gebouwd, met enige voorzichtigheid bekeken moeten worden. Het is bovendien het werk van één onderzoeksteam. Bevestiging door andere groepen, en brede toepassing van hun nieuwe methode in de praktijk, moet nog komen.

Bron: [Are You Learning Biological Signal or Shortcuts? Auditing and Mitigating Bias in Protein-Protein Interaction Datasets](http://arxiv.org/abs/2609.10193v1?ref=ontraadseld.nl)