Wetenschappers hebben een innovatieve methode ontwikkeld om het proces van de novo biomoleculair ontwerp te versnellen. Het nieuwe framework, genaamd Monte Carlo Tree Hallucination (MCTH), is specifiek ontworpen om de complexiteit van interacties tussen verschillende biomoleculen te beheersen. Dit is met name relevant voor DNA en RNA, waarbij de creatie van nieuwe interacties vaak bemoeilijkt wordt door een tekort aan homogene data en strikte geometrische beperkingen.
Het MCTH-systeem werkt als een zogenaamde 'inference-only' laag. In plaats van bestaande modellen opnieuw te trainen, maakt het framework gebruik van reeds getrainde modellen voor vouwing en inverse vouwing. Volgens een arxiv.org worden deze modellen binnen het systeem behandeld als bevroren 'black-box' operatoren, waardoor het framework flexibel blijft.
De technische kern van deze innovatie is de integratie van Monte Carlo Tree Search (MCTS). Deze techniek stelt het model in staat om een beperkt budget aan rekenkracht strategisch te verdelen over diverse mogelijke ontwerppaden. Hierbij analyseert het systeem de onzekerheden en het betrouwbaarheidsniveau van de gebruikte voorspellingsmodellen. Wanneer er meerdere experts of voorspellers in het spel zijn, weegt MCTH de consensus of juist de discrepanties tussen deze modellen af om tot een optimaal ontwerp te komen.
Een cruciaal aspect van MCTH is de universele toepasbaarheid over verschillende modaliteiten. Het framework biedt een gedeelde planningslaag die ingezet kan worden voor diverse interacties. In het is de effectiviteit van deze aanpak aangetoond bij interacties tussen eiwitten en RNA, eiwitten en DNA, alsook interacties tussen eiwitten onderling en tussen eiwitten en liganden. De resultaten wijzen uit dat deze adaptieve zoekmethode effectiever is dan traditionele strategieën zoals herhaaldelijk samplen.
Om de validiteit van de resultaten te waarborgen, is het systeem extern geëvalueerd met behulp van AlphaFold3 en Chai-1. Dit bewijst dat de gegenereerde ontwerpen standhouden buiten de directe omgeving van het model. Het voordeel van deze specifieke benadering is dat er geen sprake is van backpropagatie of fine-tuning van de componentmodellen. Hierdoor kunnen taakspecifieke modules voor biofysica eenvoudig worden vervangen zonder dat het gehele systeem opnieuw getraind moet worden.
Deze ontwikkeling past in een bredere trend binnen de biotechnologie, waarbij AI wordt ingezet om de kloof tussen theoretische modellen en praktische, functionele moleculen te dichten. Zo richt het mit.edu zich in zijn onderzoek naar biomoleculair ontwerp op het creëren van nieuwe materialen en moleculen die biologische systemen kunnen nabootsen of ermee kunnen interageren.
Het onderzoek naar MCTH, dat op 18 augustus 2026 is ingediend, bevindt zich op het snijvlak van kwantitatieve biologie en machine learning. Zoals vermeld in de , beogen de auteurs, waaronder Rick Stevens en Xuefeng Liu, de precisie van biomoleculair ontwerp te verhogen door onzekerheden in AI-modellen systematisch te beheren.