TL;DR
- Wat: Chemical.AI laat zien dat hun AI-platform ChemAIRS® zelfstandig radicale syntheseroutes kan voorstellen die eerder alleen door topchemici werden bedacht.
- Waarom relevant: AI-gestuurde chemie versnelt medicijnontwikkeling en verlaagt kosten — dat raakt toeleveranciers, producenten en uiteindelijk de hele farmaketen.
- Wat je ermee kunt: Als je bedrijf levert aan de chemie- of farmasector, is het verstandig om te inventariseren hoe AI-gedreven syntheseplatforms jouw klanten en hun verwachtingen veranderen.
Ik stuitte op een blogpost van Chemical.AI, gedeeld door het account @BaranLabReads op X, over hoe hun AI-platform ChemAIRS® een specifiek soort scheikundige reacties — zogenaamde radicale cross-couplings — kan herkennen en voorstellen. Wat mij triggerde: het gaat hier niet om een theoretisch model, maar om routes die in het lab zijn gevalideerd. Dat maakt het concreter dan veel AI-in-de-wetenschap-verhalen die ik voorbij zie komen.
Wat is retrosynthese en waarom doet AI dat nu?
Retrosynthese is een term die scheikundigen gebruiken voor het 'terugdenken' vanaf een gewenst molecuul naar de grondstoffen en reactiestappen die je nodig hebt om het te maken. Vergelijk het met een recept samenstellen, maar dan omgekeerd: je begint bij het eindgerecht en werkt terug naar de ingrediënten en bereidingsstappen.
Traditioneel is dit werk voor ervaren chemici die jarenlange kennis combineren met intuïtie. Dat kost tijd — soms dagen voor één complexe route. Chemical.AI claimt dat hun platform ChemAIRS® dit terugbrengt tot minuten. Het systeem combineert deep learning, grafische neurale netwerken en door experts opgestelde regels om volledige syntheseroutes te genereren, inclusief een inschatting van kosten, veiligheid en schaalbaarheid.
Ik vind het eerlijk gezegd fascinerend dat een algoritme niet alleen routes bedenkt, maar ook kan inschatten welke route het meest praktisch is op grotere schaal. Dat is precies het soort beslissing waar bedrijven in de productie dagelijks mee worstelen.
Radicale cross-coupling: wat is daar bijzonder aan?
De blogpost van Chemical.AI focust specifiek op radicale cross-coupling (RCC). Zonder te diep in de scheikunde te duiken: het gaat om een manier van moleculen aan elkaar koppelen die werkt via zogenaamde radicalen — deeltjes met een ongepaarde elektron. Het voordeel ten opzichte van klassieke methodes is dat je er driedimensionale, complexe molecuulstructuren mee kunt bouwen die belangrijk zijn voor moderne geneesmiddelen.
Wat mij opvalt in de casestudies die Chemical.AI beschrijft, is dat ChemAIRS® in drie verschillende scenario's routes voorstelde die overeenkomen met wat toplaboratoria (specifiek het Baran-lab, een van de meest gerespecteerde syntheselabs ter wereld) eerder hadden gepubliceerd in vakbladen als JACS en Science. In één geval — voor een molecuul waarvoor nog geen RCC-precedent bestond — rangschikte het algoritme de radicale route zelfs als topoptie.
Gevalideerd, niet alleen voorspeld
Dit punt wil ik even onderstrepen, want het maakt een verschil. Veel AI-in-de-wetenschap-verhalen blijven hangen bij "het model voorspelt dat...". Hier is de stap gezet naar validatie: de voorgestelde routes zijn vergeleken met daadwerkelijk uitgevoerde experimenten. Dat is een belangrijke drempel. Het betekent niet dat ChemAIRS® foutloos is, maar het is meer dan een papieren exercitie.
Wat betekent dit voor de farmaceutische keten?
De farmaceutische industrie staat onder druk om sneller en goedkoper te ontwikkelen. Enkele cijfers die ik tegenkwam bij mijn onderzoek:
- Insilico Medicine meldde begin 2026 dat hun volledig AI-ontworpen medicijn (INS018_055, voor longfibrose) fase IIa-trials succesvol had doorlopen — ontworpen in 18 maanden voor circa 6 miljoen dollar aan onderzoekskosten. Ter vergelijking: traditionele medicijnontwikkeling kost gemiddeld meer dan een miljard dollar en duurt 10-15 jaar.
- Grote farmabedrijven als Pfizer, Roche en AstraZeneca hebben elk meer dan 500 miljoen dollar gecommitteerd aan interne AI-capaciteit.
- In Nederland werken onderzoekers met syntheserobots (zoals RoboChem) die in zo'n 80% van de gevallen betere resultaten opleveren dan eerder gepubliceerd onderzoek.
Wat ik hieruit lees: AI-gestuurde syntheseplanning is geen toekomstmuziek meer, het is een actief concurrentiemiddel. En dat heeft gevolgen voor de hele keten — van grondstoffenleverancier tot contractonderzoeksorganisatie.
Wat betekent dit voor Nederlandse ondernemers?
Nederland heeft zo'n 200 farmaceutische bedrijven en een sterke chemische sector. Veel MKB-bedrijven in die keten leveren grondstoffen, apparatuur, verpakkingen of gespecialiseerde diensten. Kun je je voorstellen wat er verandert als jouw klant — een farmabedrijf of CRO — plotseling in minuten syntheseroutes kan plannen in plaats van dagen?
Drie concrete verschuivingen om in de gaten te houden
Snelheid van besluitvorming neemt toe. Als klanten sneller weten welke route ze willen, verwachten ze ook snellere levering van grondstoffen en tussenproducten. Dat vraagt om flexibelere voorraadbeheer en kortere levertijden.
Nieuwe chemie wordt toegankelijker. Radicale cross-coupling was tot voor kort voorbehouden aan gespecialiseerde labs. Als AI deze routes democratiseert, kan de vraag naar specifieke katalysatoren en reagentia verschuiven. Stel dat je als toeleverancier nu vooral levert voor klassieke koppelingsreacties — dan is het verstandig om te volgen welke nieuwe chemie opkomt.
De EU AI Act komt eraan. Per augustus 2026 treden de hoog-risico-bepalingen van de Europese AI-verordening in werking. AI-systemen die worden ingezet bij regelgevingskritische toepassingen in de farma — en daar zou syntheseplanning onder kunnen vallen — moeten mogelijk aan strengere eisen voldoen. Voor bedrijven die AI-tools inzetten of overwegen, is het slim om dit nu al te inventariseren.
Ik denk dat de directe impact voor de meeste MKB-ondernemers nog indirect is. Je gaat waarschijnlijk niet morgen ChemAIRS® aanschaffen. Maar de verschuiving in verwachtingen bij je klanten — sneller, goedkoper, flexibeler — die is al bezig.
Kanttekening bij de bron
Ik wil wel eerlijk zijn: de blogpost die ik hier bespreek, komt van Chemical.AI zelf. Het is dus deels een demonstratie van hun eigen product. De casestudies zijn gebaseerd op gepubliceerd onderzoek van het Baran-lab, wat geloofwaardigheid geeft, maar onafhankelijke benchmarks van ChemAIRS® tegen concurrerende platformen heb ik niet gevonden. Dat betekent niet dat de claims onjuist zijn, maar ik zou ze met die context willen lezen.
Waar het op neerkomt
Voor mij is dit vooral een signaal dat AI in de scheikunde een fase bereikt waarin het niet meer gaat om "kan het?", maar om "hoe goed en hoe snel?". De stap van voorspelling naar gevalideerde synthese is er een die de afstand tussen laboratorium en productie verkleint. En als die afstand kleiner wordt, veranderen de spelregels voor iedereen in de keten — ook voor bedrijven die zelf geen molecuul aanraken.