OpenAI heeft een nieuw taalmodel gelanceerd dat specifiek is getraind op biologische onderzoeksworkflows. Het model, genaamd GPT-Rosalind, is ontworpen om onderzoekers te helpen bij het verwerken van enorme datasets en het overbruggen van kennis tussen gespecialiseerde vakgebieden binnen de biowetenschappen.

Wat er aan de hand is

OpenAI kondigde op donderdag de ontwikkeling aan van GPT-Rosalind, een groot taalmodel dat specifiek is afgestemd op biologie. Volgens het bedrijf verschilt dit model van de meer algemene, wetenschapsgerichte modellen van andere grote techbedrijven. Yunyun Wang, Life Sciences Product Lead bij OpenAI, legde in een persbriefing uit dat het systeem is ontworpen om twee grote obstakels voor huidige biologisch onderzoekers aan te pakken. Het eerste obstakel zijn de enorme datasets die zijn ontstaan door decennia van genoomsequencing en eiwitbiochemie, die voor een individuele onderzoeker te omvangrijk kunnen zijn. Het tweede obstakel is dat de biologie veel zeer gespecialiseerde deelgebieden kent, elk met eigen technieken en jargon. Het model is getraind op 50 van de meest voorkomende biologische workflows en op het toegang krijgen tot grote publieke databases met biologische informatie. Verder training heeft volgens het bedrijf geleid tot een systeem dat waarschijnlijke biologische pathways kan suggereren en potentiële medicijndoelen kan prioriteren.

Wat dit betekent

Deze ontwikkeling betekent dat gespecialiseerde kennis binnen de biowetenschappen toegankelijker kan worden. Voor een geneticus die plotseling met neurowetenschappelijke literatuur te maken krijgt, of voor een klein biotech-startup dat de literatuur over een specifiek eiwit moet doorgronden, kan zo’n tool de leercurve aanzienlijk verkorten. Het model richt zich op het verbinden van genotype (genetische informatie) met fenotype (waarneembare eigenschappen) via bekende biologische pathways. Dit kan de snelheid van fundamenteel onderzoek en de vroege fase van medicijnontwikkeling (drug discovery) beïnvloeden, vooral voor organisaties met beperkte menskracht om literatuur te reviewen. Het is een voorbeeld van hoe generatieve AI verschuift van algemene assistentie naar domeinspecifieke expertise, eerst in de biologie, mogelijk later in andere complexe vakgebieden.

Hoe je dit kunt toepassen

De praktische toepassing hangt sterk af van jouw specifieke situatie binnen de levenswetenschappen. Het model is aangekondigd als een gespecialiseerde tool voor onderzoekers. Op basis van de aankondiging zijn dit mogelijke scenario’s:

Als je werkt in een Nederlands biotech-bedrijf of farmaceutisch R&D-team, zou je kunnen onderzoeken of een tool als GPT-Rosalind je team kan helpen bij het verkennen van cross-disciplinaire literatuur. Een onderzoeker die zich normaal gesproken op oncologie richt, zou het model kunnen gebruiken om sneller inzicht te krijgen in de immunologische context van een nieuw doelwit, zonder wekenlang specialistische papers te hoeven bestuderen.

Als je een academicus bent in een gespecialiseerd biologisch vakgebied, biedt een dergelijk model een mogelijkheid om je onderzoeksvragen te verbreden. Je zou het kunnen gebruiken om hypothesen te genereren over hoe een bevinding uit je eigen werkveld zou kunnen aansluiten op mechanismen in een ander domein, wat kan leiden tot nieuwe onderzoekslijnen of samenwerkingsverbanden.

Als je investeert in of adviseert over life sciences-innovatie, is het een signaal om te letten op hoe AI-tools de efficiëntie van preklinisch onderzoek verhogen. Het vermogen om sneller pathways te analyseren en doelwitten te prioriteren kan de doorlooptijd van projecten verkorten, wat een factor kan zijn in je due diligence of advies over de haalbaarheid van onderzoeksprogramma’s.

Overweeg om de officiële aankondiging en eventuele latere case studies van OpenAI te volgen om een concreter beeld te krijgen van de prestaties en beperkingen van het model voordat je het integreert in bestaande workflows.

Bron: Arstechnica