Sinclair en kunstmatige intelligentie: 160 jaar verouderingsonderzoek gecomprimeerd

Wat gebeurt er als kunstmatige intelligentie miljarden moleculen scant op zoek naar een medicijn dat veroudering revolutioneert? Prof. David Sinclair van Harvard, auteur van het boek Lifespan en een van 's werelds bekendste onderzoekers op het gebied van een lang leven, is te gast in een interview op het YouTube-kanaal Impact Theory (Tom Bilyeu) en presenteert een ambitieus project: het gebruik van kunstmatige intelligentie en machine learning-tools om virtueel een enorm aantal kandidaat-moleculen te screenen en te testen, met als doel verbindingen te vinden die veroudering kunnen vertragen of omkeren. De titel "160 jaar" verwijst niet naar het lezen van wetenschappelijke literatuur, maar naar de tijd en kosten die nodig zouden zijn: een screening van deze omvang met traditionele methoden zou ongeveer 160 jaar duren en miljarden kosten, en AI comprimeert dit tot maanden.

Waar de video over gaat

Sinclairs gesprek beweegt zich tussen enthousiasme over het nieuwe hulpmiddel en de wetenschappelijke uitleg over wat het kan doen, en bestrijkt een aantal centrale assen:

• Screening van miljarden moleculen: Sinclair beschrijft hoe zijn laboratorium kunstmatige intelligentie gebruikt om virtueel ongeveer acht miljard moleculen te testen, vergeleken met de paar miljoen die een farmaceutisch bedrijf normaal gesproken screent, en te voorspellen welke zich mogelijk aan biologische doelwitten gerelateerd aan veroudering kunnen binden.
• Enorme versnelling van geneesmiddelenontdekking: Hoe virtueel "docken" van moleculen tegen eiwitstructuren, met behulp van kunstmatige intelligentie die patronen in de biologie leert, een proces dat tientallen jaren zou duren, verkort tot maanden.
• Nieuwe kandidaat-geneesmiddelen: Welke veelbelovende verbindingen uit de screening naar voren zijn gekomen, en hoe Sinclair vertelt dat een combinatie van drie moleculen huidcellen van een 92-jarige man in het laboratorium terugbracht naar een jongere staat.
• Goedkope pil in plaats van dure gentherapie: Sinclair legt uit waarom hij hoopt dat een klein molecuul tegen verwaarloosbare kosten in de toekomst gentherapiebehandelingen kan vervangen die honderdduizenden tot miljoenen dollars kosten, en waarom hij gelooft dat dergelijke tools het tempo van wetenschappelijke ontdekkingen in het komende decennium zullen veranderen.

Waarom je zou moeten kijken

Het snijvlak van kunstmatige intelligentie en verouderingsonderzoek is een van de meest intrigerende en actuele onderwerpen in 2026, en de video geeft een zeldzame blik op hoe een vooraanstaand onderzoeker de nabije toekomst van het veld voor zich ziet. Voor degenen die technologie volgen, is het interessant om te zien hoe tools die we van elders kennen, diep in het biologische laboratorium beginnen door te dringen en processen versnellen die tot nu toe jaren duurden.

Het is echter belangrijk om met een kritisch oog te kijken, en dat is precies de benadering die we hier hanteren. Sinclair is een zeer optimistisch figuur en heeft in de loop der jaren ideeën gepromoot waarvoor het menselijke bewijs nog zwak is, zoals het NMN-supplement, dat we hier kritisch beoordelen vanwege het gebrek aan gecontroleerd bewijs bij mensen. Daarom is het goed om een paar dingen in gedachten te houden tijdens het kijken: Een molecuul dat door AI wordt gemarkeerd, is een kandidaat, geen bewezen medicijn. Een algoritme dat een veelbelovende binding tussen een molecuul en een biologisch doelwit voorspelt, wijst op een interessante onderzoeksrichting, maar het bewijst niet dat de verbinding het leven zal verlengen of veroudering bij mensen zal omkeren.

Bovendien is versnelde ontdekking niet hetzelfde als bewezen medicijnen. AI kan de kandidaat-zoekfase aanzienlijk verkorten, maar elke verbinding die uit de screening komt, moet nog steeds hetzelfde lange traject doorlopen: experimenten in cellen, experimenten in dieren, en uiteindelijk gecontroleerde klinische proeven bij mensen, wat de duurste, langste en meest falende fase is. Ook hangt de kwaliteit van het resultaat af van de kwaliteit van de modellen en de gegevens waarop ze zijn getraind, en een goede virtuele voorspelling vereist nog steeds echte experimentele validatie. Met andere woorden, het hulpmiddel is indrukwekkend en de richting is juist, maar er is nog een lange weg tussen een lijst met moleculen die door een algoritme is gegenereerd en een veilige behandeling die het leven verlengt. De video is uitstekend om het potentieel te begrijpen, zolang je deze kloof in gedachten houdt.

Veel kijkplezier!