OpenAI heeft een grote taalmodel gelanceerd dat specifiek is getraind op biologische onderzoeksprocessen, genaamd GPT-Rosalind. Dit model is ontworpen om onderzoekers te helpen omgaan met enorme datasets en de kloof tussen gespecialiseerde vakgebieden te overbruggen, wat de innovatiesnelheid in de life sciences kan verhogen.

Wat er aan de hand is

OpenAI heeft op donderdag GPT-Rosalind aangekondigd, een groot taalmodel dat specifiek is afgestemd op biologische workflows. Het model is vernoemd naar de wetenschapper Rosalind Franklin. Volgens Yunyun Wang, Life Sciences Product Lead bij OpenAI, is het systeem ontwikkeld om twee grote obstakels in het huidige biologisch onderzoek aan te pakken. Ten eerste de overweldigende hoeveelheid data die decennia van genoomsequencing en eiwitbiochemie hebben opgeleverd. Ten tweede de gefragmenteerde kennis door de vele, zeer gespecialiseerde subdisciplines binnen de biologie, 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 is het getraind om waarschijnlijke biologische pathways te suggereren en potentiële medicijndoelen te prioriteren. Wang stelt dat het model genotype aan fenotype koppelt via bekende pathways en regelmechanismen, en waarschijnlijke structurele of functionele eigenschappen van eiwitten kan afleiden.

Wat dit betekent

Voor Nederlandse bedrijven en onderzoeksinstellingen in de life sciences, van startups tot gevestigde MKB’ers in farmacie, agro-biotech of medische diagnostiek, betekent dit een directe versnelling van kenniswerk. Het grootste voordeel ligt in het overbruggen van kennisgrenzen. Een onderzoeker in gewasveredeling die te maken krijgt met een gen dat ook een rol speelt bij een menselijke ziekte, kan met dit model snel de relevante medische literatuur doorgronden zonder zelf expert te worden in dat vakgebied. Het model fungeert als een gespecialiseerde onderzoeksassistent die de toegang tot en interpretatie van complexe, openbare datasets (zoals die van genomen of eiwitstructuren) democratiseert. Dit kan de doorlooptijd van vroeg onderzoek, zoals het identificeren van kandidaat-moleculen of het begrijpen van ziekte-mechanismen, aanzienlijk verkorten. Voor kleinere teams zonder toegang tot grote, multidisciplinaire onderzoeksafdelingen biedt dit een kans om hun innovatiecapaciteit te vergroten.

Hoe je dit kunt toepassen

De praktische toepassing hangt sterk af van jouw specifieke situatie binnen de life sciences. Het model is bedoeld als ondersteuning bij onderzoeks- en ontwikkelingsprocessen. Hier zijn enkele scenario’s waarin een tool als GPT-Rosalind van waarde zou kunnen zijn:

Als je in een agro-biotech startup werkt… en je onderzoekt de genetische basis van droogtetolerantie in een gewas. Je zou het model kunnen gebruiken om parallelle pathways in andere plantensoorten of zelfs in microbiële systemen te identificeren, wat nieuwe aanknopingspunten voor veredeling kan opleveren. Het helpt je om buiten de grenzen van je eigen specialisme te kijken.

Als je een klein team leidt in een medisch diagnostisch lab… dat zich specialiseert in bepaalde kankermutaties. Wanneer je een onverwachte mutatie tegenkomt, zou je het model kunnen raadplegen om de mogelijke functionele gevolgen en connecties met andere ziektemechanismen te verkennen, waardoor je een completer advies aan artsen kunt geven.

Als je als consultant werkt voor farmaceutische bedrijven… en je moet due diligence uitvoeren op een vroeg doelwit. Je zou het model kunnen inzetten om snel de wetenschappelijke literatuur rond dat doelwit te synthetiseren, bekende interacties in kaart te brengen en potentiële risico’s of kansen in de biologische pathway te identificeren.

Als je onderzoek doet aan een universiteit of hogeschool… en je begeleidt studenten bij hun afstudeerproject. Het model kan studenten helpen om efficiënter de achtergrond van hun onderwerp te doorgronden en hen wegwijs te maken in gespecialiseerde databases, zodat ze meer tijd kunnen besteden aan het eigenlijke experimentele werk en de interpretatie.

Overweeg om de ontwikkelingen rond dit model te volgen en te evalueren of de specifieke functionaliteiten – zoals het suggereren van pathways en het prioriteren van doelwitten – passen bij de knelpunten in jouw eigen onderzoeks- of ontwikkelproces.

Bron: Arstechnica