TU/e-onderzoeker ontwikkelt nieuwe AI-modellen voor medicijnonderzoek in Eindhoven

Promovendus Rıza Özçelik van de TU Eindhoven heeft slimme AI-modellen ontwikkeld die het proces van medicijnonderzoek aanzienlijk kunnen versnellen. Hij leerde de taal van moleculen en gebruikte deep learning om nieuwe geneesmiddelen sneller en efficiënter te ontwikkelen. Özçelik promoveerde op dit onderwerp aan de faculteit Biomedical Engineering.

Rıza Özçelik heeft tijdens zijn promotieonderzoek aan de Technische Universiteit Eindhoven vijf innovatieve deep learning-modellen ontwikkeld. Deze modellen helpen onderzoekers wereldwijd om chemische eigenschappen te voorspellen en nieuwe moleculen te genereren. Zo kan het tijdrovende proces van medicijnontwikkeling aanzienlijk worden verkort.

In zijn onderzoek stond de ‘moleculaire taal’ centraal. Moleculen kunnen worden beschreven als een reeks bouwstenen, vergelijkbaar met woorden in een zin. Door deze bouwstenen te analyseren en te begrijpen, kon Özçelik technologische vooruitgang in deep learning benutten om moleculaire interacties te voorspellen. Dit proces maakt het mogelijk om snel geschikte moleculen te identificeren voor medicinale toepassingen.

Nieuwe aanpak met negatieve data
Een opvallende methode van Özçelik was het gebruik van ‘negatieve’ data, informatie over moleculen die normaal niet werken. In de farmaceutische wereld worden deze gegevens vaak genegeerd, maar Özçelik ontdekte dat ze juist kunnen helpen bij het vinden van succesvolle moleculen. Zijn model bleek ook in laboratoriumtests zeer nauwkeurig te zijn.

Naast algemene tools voor het voorspellen van chemische eigenschappen ontwikkelde hij specifieke modellen voor praktische toepassingen. Zo kan één model met grote precisie bindingsplaatsen in klinisch belangrijke eiwitfamilies identificeren. Een ander model helpt bij het voorspellen van geschikte bindingspartners, wat de efficiëntie van medicijnonderzoek in laboratoria aanzienlijk verhoogt.

Van Eindhoven naar het bedrijfsleven
Özçelik, geboren in Turkije, koos bewust voor Eindhoven omdat hij hier zijn passie voor onderzoek, technologie en taal kon combineren. Naast moleculaire taal leerde hij ook Nederlands, en vergelijkt hij het proces van deep learning met het slimme toetsenbord op een telefoon dat zinnen voorspelt.

Nu zijn promotie afgerond is, gaat hij aan de slag als machine learning engineer in Amsterdam. Hoewel hij voorlopig het bedrijfsleven verkent, blijft zijn droom om professor te worden en studenten te begeleiden. De resultaten van zijn onderzoek vormen een solide basis waarop andere onderzoekers wereldwijd kunnen voortbouwen.