CoCoGraph: chemie-bewuste diffusion-AI genereert miljoenen plausibele moleculen

Onderzoekers van de Universitat Rovira i Virgili (URV) presenteren CoCoGraph: een generatief AI-model dat miljoenen ‘nieuwe’ moleculen kan voorstellen én daarbij hard ingebouwde chemische regels volgt. Het doel is niet om meteen een wondermiddel te ontwerpen, maar om het zoekgebied in de chemie drastisch te vergroten met structuren die (in theorie) echt zouden kunnen bestaan.

Wat is CoCoGraph precies?

Volgens het paper in Nature Machine Intelligence (DOI: 10.1038/s42256-026-01229-5) is CoCoGraph een graph diffusion model dat moleculen genereert als grafen (atomen = knopen, bindingen = randen). Het bijzondere: het model bouwt de valentieregels (hoeveel bindingen een atoom mag hebben) zó in, dat de output volgens de makers altijd chemisch geldig is.

Dat is een belangrijk verschil met eerdere generatieve modellen voor moleculen, waar je vaak veel ‘onmogelijke’ structuren weg moet filteren. In de EurekAlert-samenvatting van URV benadrukken de onderzoekers dat dit niet alleen betrouwbaarder is, maar ook efficiënter qua rekenwerk, omdat er minder iteraties nodig zijn om bruikbare kandidaten te vinden (EurekAlert / URV).

Waarom dit relevant is voor medicijnen en materialen

De chemische ruimte is gigantisch. In de berichtgeving wordt een orde van grootte genoemd tot 10⁶⁰ mogelijke moleculen; wat we daadwerkelijk kennen is maar een minuscuul deel (Phys.org). Juist daarom is ‘sneller zoeken’ zo aantrekkelijk voor:

Medicijnontwikkeling (sneller kandidaten vinden met gewenste eigenschappen),
Nieuwe materialen (bijv. duurzamere polymeren of katalysatoren),
Optimalisatie van bestaande stoffen (kleine variaties om bijwerkingen/werking te verbeteren).

URV stelt wel expliciet dat CoCoGraph vandaag nog niet op commando “ontwerp een molecuul voor X” werkt. Het model genereert vooral plausibele structuren; daarna begint pas het echte werk: simulaties, labtesten en veiligheid.

Hoe ‘echt’ voelen de gegenereerde moleculen aan?

Een opvallend detail uit de samenvattingen: het team liet 121 chemie-experts paren zien van één echt molecuul en één door CoCoGraph gegenereerd molecuul. In ongeveer 4 op de 10 gevallen zaten experts fout en verwisselden ze de gegenereerde structuur met de echte (Phys.org; EurekAlert). Dat zegt niet dat de moleculen automatisch nuttig of maakbaar zijn, maar wél dat het model chemische ‘plausibiliteit’ overtuigend kan benaderen.

Wat betekent dit (en wat niet)?

De praktische betekenis zit vooral in pipeline-versnelling: minder tijd kwijt aan ongeldige kandidaten, sneller naar een shortlist die het waard is om door te rekenen of te testen. Voor organisaties die al experimenteren met AI in R&D is dit een volgende stap in dezelfde richting die we vaker zien in de zorg- en life-science-keten. Ter context: we schreven eerder over AI-zorgplatforms in samenwerking met hyperscalers en over hoe farmaspelers AI inzetten in bredere innovatietrajecten in een AI-marktupdate rond OpenAI/Google/J&J.

Tegelijk is het goed om nuchter te blijven: een ‘chemisch geldig’ molecuul is nog geen geneesmiddel. De stap van generatie → synthese → toxicologie → klinische studies blijft duur en traag. Maar als generatieve modellen als CoCoGraph de eerste fase (ideeën vinden) drastisch versnellen, kan dat op termijn wél impact hebben op kosten en doorlooptijden.

Wat betekent dit voor AI-gebruikers? Verwacht de komende tijd meer tools die generatieve AI koppelen aan harde domeinregels (zoals chemie/veiligheidsconstraints). Dat levert minder spectaculaire demo’s op dan ‘prompt → resultaat’, maar vaak wel de grootste productiewinst. In dat licht past CoCoGraph in dezelfde trend als andere generatieve toepassingen waar we over schreven, zoals nieuwe programma’s rond generatieve AI en de groeiende aandacht voor regels en verantwoordelijkheden rond AI-uitkomsten.