OpenAI heeft een groottaalmodel gelanceerd dat specifiek is getraind op biologische onderzoeksworkflows. Dit gespecialiseerde model, genaamd GPT-Rosalind, is ontworpen om onderzoekers te helpen bij het navigeren door enorme datasets en gespecialiseerde vakliteratuur, wat de innovatiesnelheid in sectoren zoals biotech en gezondheidszorg kan verhogen.

Wat er aan de hand is

OpenAI heeft op donderdag GPT-Rosalind aangekondigd, een groottaalmodel dat specifiek is afgestemd op biologie. In tegenstelling tot meer generieke wetenschapsmodellen van grote techbedrijven, is dit model getraind op 50 van de meest voorkomende biologische workflows en op het toegang krijgen tot grote publieke databases met biologische informatie. Volgens Yunyun Wang, Life Sciences Product Lead bij OpenAI, is het systeem ontwikkeld om twee grote obstakels voor onderzoekers aan te pakken: de overweldigende hoeveelheid data uit decennia van genoomsequencing en eiwitbiochemie, en de gespecialiseerde jargonbarrières tussen verschillende subdisciplines binnen de biologie. Het model kan biologische pathways suggereren en potentiële medicijndoelen prioriteren door genotype aan fenotype te koppelen via bekende mechanismen.

Wat dit betekent

De komst van een dergelijk gespecialiseerd AI-model betekent een directe versnelling voor kennisintensieve sectoren. Voor het Nederlandse MKB in de biotech, farmacie, medische diagnostiek en agro-biotechnologie kan dit de toegang tot gespecialiseerde kennis democratiseren. Kleine en middelgrote ondernemingen hebben vaak niet de middelen om grote onderzoeksafdelingen in huis te hebben die alle literatuur van elk relevant subveld bijhouden. Een tool die helpt bij het interpreteren van complexe datasets en het overbruggen van vakjargon, verlaagt de drempel voor innovatie. Het stelt kleinere spelers in staat om sneller inzichten te genereren die voorheen voorbehouden waren aan grote farmaceutische bedrijven of academische instituten met uitgebreide teams. Dit kan leiden tot een verschuiving in de concurrentiepositie en meer innovatie vanuit het MKB.

Hoe je dit kunt toepassen

De praktische toepassing hangt sterk af van jouw specifieke situatie binnen de levenswetenschappen. Het model is gericht op het ondersteunen van onderzoek, niet op het uitvoeren van taken zonder menselijk toezicht. Hier zijn enkele scenario’s waarin een dergelijke gespecialiseerde AI van waarde kan zijn.

Als je een startup runt in de diagnostiek… en je werkt aan een nieuwe test gebaseerd op biomarkers. Je komt in de literatuur een veelbelovend eiwit tegen, maar de functionele studies zijn gepubliceerd in gespecialiseerde neurologische tijdschriften. Een tool zoals GPT-Rosalind zou je kunnen helpen om de kern van die onderzoeken snel te begrijpen en te vertalen naar de context van jouw diagnostische platform, zonder dat je een neurowetenschapper in hoeft te huren.

Als je een MKB’er bent in de agro-biotech… en je zoekt naar natuurlijke manieren om gewasresistentie te verbeteren. Je hebt toegang tot genetische sequentiedata maar de analyse van gen-netwerken en metabolische pathways is complex. Een biologisch getraind model zou een mogelijkheid zijn om hypothesen te genereren over welke genen of pathways het meest relevant zijn voor jouw specifieke gewas, gebaseerd op patronen die het herkent uit duizenden eerdere studies.

Als je een adviseur bent voor gezondheidsinstellingen… en je helpt bij het implementeren van gepersonaliseerde geneeskunde. De hoeveelheid data over genoom, proteoom en patiëntuitkomsten groeit exponentieel. Een gespecialiseerde AI zou kunnen fungeren als een ondersteunende onderzoeksassistent, die helpt bij het structureren van vragen, het vinden van relevante klinische studies in databases, en het samenstellen van een mechanistisch verhaal dat een bepaalde behandelkeuze ondersteunt.

Als je in een farmaceutisch bedrijf werkt aan early-stage research… is het prioriteren van kandidaat-moleculen cruciaal. Een model dat getraind is om pathways te suggereren en medicijndoelen te prioriteren op basis van bestaande kennis, zou een extra laag van analyse kunnen bieden. Je zou het kunnen gebruiken om de biologische plausibiliteit van een doelwit te verkennen voordat je dure experimenten opzet, door het inzichtelijk te maken via welke bekende mechanismen een interventie zou kunnen werken.

Het is belangrijk te benadrukken dat dit een ondersteunend hulpmiddel is voor experts, geen vervanging voor domeinkennis of kritisch denken. De waarde ligt in het versnellen van de kennisvergaring en het overbruggen van vaktaal, niet in het autonoom nemen van onderzoeksbeslissingen.

Bron: Arstechnica