OpenAI heeft een nieuw AI-model gelanceerd dat specifiek is getraind op biologische workflows. GPT-Rosalind, genoemd naar wetenschapper Rosalind Franklin, is ontworpen om twee grote knelpunten in biologisch onderzoek aan te pakken: de overvloed aan data en de gespecialiseerde jargonbarrière tussen subdisciplines. Voor Nederlandse bedrijven in de life sciences kan dit de innovatiesnelheid verhogen door onderzoek efficiënter en toegankelijker te maken.

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 generieke, wetenschapsbrede modellen die andere grote techbedrijven hebben uitgebracht. Het model is getraind op 50 van de meest voorkomende biologische workflows en op het toegang krijgen tot grote publieke databases met biologische informatie. Tijdens een persbriefing legde Yunyun Wang, Life Sciences Product Lead bij OpenAI, uit dat het systeem is ontworpen om twee belangrijke obstakels voor onderzoekers weg te nemen: de enorme datasets uit decennia van genoomsequencing en eiwitbiochemie, en de gespecialiseerde technieken en jargon binnen de vele subvelden van de biologie. Verder training heeft volgens het bedrijf geresulteerd in een systeem dat waarschijnlijke biologische pathways kan suggereren en potentiële medicijndoelen kan prioriteren.

Wat dit betekent

De introductie van een gespecialiseerd biologiemodel betekent een verschuiving van generieke ‘wetenschap-AI’ naar domeinspecifieke tools. Voor het Nederlandse MKB in sectoren als farmacie, medische technologie, agro-biotech en voedingsmiddelen kan dit een directe impact hebben. Veel van deze bedrijven hebben beperkte R&D-budgetten en kunnen niet putten uit de enorme onderzoeksafdelingen van multinationals. Een tool die gespecialiseerde literatuur kan interpreteren, data-overload kan filteren en kennis kan vertalen tussen bijvoorbeeld genetica en neurobiologie, kan de efficiëntie van hun onderzoeksteams aanzienlijk verhogen. Het kan hen in staat stellen sneller hypotheses te testen, nieuwe onderzoeksrichtingen te verkennen en de kloof tussen fundamenteel onderzoek en commerciële toepassing te verkleinen.

Hoe je dit kunt toepassen

De praktische toepassing hangt sterk af van de beschikbaarheid en toegankelijkheid van het model, maar de aangekondigde functionaliteiten wijzen op enkele concrete mogelijkheden voor bedrijven.

Als je een klein of middelgroot biotech-bedrijf runt… kun je een tool als GPT-Rosalind mogelijk inzetten om je literatuuronderzoek te versnellen. In plaats van dat een onderzoeker weken besteedt aan het doorpluizen van papers buiten zijn directe expertise, kan het model relevante inzichten filteren en samenvatten. Dit stelt je in staat om sneller te beslissen of een bepaalde onderzoekslijn de moeite waard is om na te jagen met dure lab-experimenten.

Als je een innovatiemanager bent in de voedingsmiddelenindustrie… werk je vaak op het snijvlak van voeding, gezondheid en biochemie. Een domeinspecifiek model kan je helpen om wetenschappelijke claims voor nieuwe functionele ingrediënten beter te onderbouwen. Het kan je assisteren bij het vinden van studies over specifieke metabolische pathways of bij het begrijpen van de impact van een stof op de darmflora, gebaseerd op bestaande datasets.

Als je samenwerkt met academische onderzoeksgroepen of ziekenhuizen… kan een gemeenschappelijke AI-tool als vertaler fungeren. Een klinisch onderzoeker spreekt een andere taal dan een moleculair bioloog in jouw bedrijf. Een model dat getraind is op beide werelden kan helpen bij het vertalen van onderzoeksvragen, het vinden van gemeenschappelijke aansluitpunten en het efficiënter opstellen van gezamenlijke onderzoeksvoorstellen.

Overweeg om, zodra het model beschikbaar komt, een pilot te starten binnen een specifiek project waar data-integratie of literatuuroverzicht een knelpunt is. Begin klein, meet de tijdswinst of kwaliteitsverbetering, en breid het gebruik daarna gefaseerd uit.

Bron: Arstechnica