Kan AI een nieuw CRISPR-gebaseerd genedrive ontwerpen en synthetiseren dat malariamuggen binnen één generatie kan uitroeien ?

Genetische modificaties bieden transformerend potentieel voor vectorbestrijding, maar hun ecologische en ethische impact is diepgaand. Hoewel AI gensequenties kan modelleren en populatie-effecten kan voorspellen, vereist real-world implementatie wereldwijde consensus, wettelijke goedkeuring en onomkeerbare milieugevolgen.

---

Vanaf 2024 kunnen CRISPR-gebaseerde genetische modificaties in het lab gemodificeerde allelen verspreiden onder muggenpopulaties, maar geen enkel construct heeft de vereiste drive-kracht, reproductieve veiligheid en ecologische inperking gedemonstreerd om lokale uitroeiing binnen één muggeneratie te bereiken. Ecologische, wettelijke en ethische hindernissen blijven aanzienlijk, en veldproeven tot nu toe hebben zich gericht op strategieën voor populatiesuppressie of -vervanging die meerdere generaties nodig hebben om effect te sorteren. Onderzoeks­groepen werken snel aan verbeteringen in keuzes voor promotors, homing-efficiënties en cassettes voor resistentiebeheer, maar geen enkele heeft een door collega’s getoetst plan gepubliceerd dat voldoet aan het criterium ‘uitroeiing binnen één generatie’. Veldproeven worden strikt gereguleerd en gaan pas van start na rigoureuze beperkte tests.

— Verrijkt 10 mei 2026 · Bron: Wereldgezondheidsorganisatie — https://www.who.int/teams/regulation-prequalification-vector-control/who-ivd-list-of-mosquito-containment-studies

---

Hoewel AI aanzienlijke vooruitgang heeft geboekt in genbewerking en -ontwerp, vereist de complexiteit van het ontwerpen en synthetiseren van een nieuwe CRISPR-gebaseerde genetische modificatie die malaria-overdragende muggen binnen één generatie kan uitroeien nog steeds uitgebreide expertise op het gebied van genetica, ecologie en evolutionaire biologie. Huidige AI-systemen kunnen helpen bij het ontwerp en de simulatie van genetische modificaties, maar de ontwikkeling van een functionele en veilige genetische modificatie vereist experimentele validatie en testing, wat nog steeds een uitdaging is. AI kan helpen bij het voorspellen van mogelijke off-target-effecten en het optimaliseren van het ontwerp van genetische modificaties, maar menselijke expertise is noodzakelijk om de veiligheid en effectiviteit van een dergelijk systeem te waarborgen. De huidige stand van de techniek in AI-ondersteunde genbewerking richt zich op eenvoudigere toepassingen, zoals het behandelen van genetische ziekten bij mensen.

— Status gecontroleerd op 10 mei 2026.