OpenAI heeft een nieuw groottaalmodel gelanceerd dat specifiek is getraind op biologische onderzoeksworkflows. Dit model, GPT-Rosalind, is ontworpen om onderzoekers te helpen bij het navigeren door enorme datasets en gespecialiseerde vakliteratuur, wat het potentieel heeft om innovatie in sectoren als gezondheidszorg en agrofood te versnellen.

Wat er aan de hand is

OpenAI heeft op donderdag GPT-Rosalind geïntroduceerd, een groottaalmodel dat is afgestemd op biologie. Volgens het bedrijf verschilt dit model van de meer generieke, wetenschapsbrede 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 knelpunten in biologisch onderzoek aan te pakken: de overweldigende hoeveelheid data uit decennia van genoomsequencing en eiwitbiochemie, en de gespecialiseerde jargon en technieken binnen de vele subdisciplines van de biologie. 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 OpenAI geresulteerd in een systeem dat waarschijnlijke biologische pathways kan suggereren en potentiële medicijndoelen kan prioriteren.

Wat dit betekent

Dit betekent dat gespecialiseerde AI niet langer alleen voor techreuzen is, maar ook toegankelijk wordt voor kleinere spelers in kennisintensieve sectoren. Voor Nederlandse MKB’ers in de biotech, farmacie, medische diagnostiek, agrofood of voedingsmiddelenindustrie kan dit een gamechanger zijn. Waar een generiek AI-model zoals ChatGPT breed inzetbaar is maar oppervlakkig blijft in gespecialiseerde domeinen, is GPT-Rosalind getraind om de diepte in te gaan. Het kan helpen bij het interpreteren van complexe onderzoeksdata, het vinden van verbanden in gespecialiseerde literatuur, en het versnellen van de vroegste onderzoeksfases. Dit kan de tijd tot innovatie verkorten en de drempel voor onderzoek en ontwikkeling verlagen, ook voor bedrijven zonder een enorm eigen R&D-budget.

Hoe je dit kunt toepassen

De praktische toepassing hangt sterk af van jouw specifieke situatie binnen de life sciences of aanverwante sectoren. Het model is ontworpen als een gespecialiseerde onderzoeksassistent.

Als je werkt in een biotech-startup of een klein farmaceutisch lab, dan zou dit model een krachtige aanvulling kunnen zijn op je team. Je zou het kunnen gebruiken om door de berg wetenschappelijke literatuur te navigeren wanneer je een nieuw doelwit voor een medicijn of therapie onderzoekt. Het model, getraind op het verbinden van genotype aan fenotype, kan helpen bij het identificeren van relevante pathways en mechanismen, waardoor je onderzoeksfocus scherper wordt.

Als je een MKB’er bent in de agrofood-sector, gericht op gewasverbetering of duurzame voedselproductie, dan ligt de toepassing in het versnellen van onderzoek naar plantgenetica of microbiologie. Je zou het model kunnen inzetten om datasets over genexpressie, bodemmicrobiomen of ziekte-resistentie te analyseren en te interpreteren, wat kan leiden tot efficiëntere veredelingsprogramma’s of biologische gewasbeschermingsmiddelen.

Als je actief bent in medische diagnostiek of de ontwikkeling van medische hulpmiddelen, dan kan een gespecialiseerd model helpen bij het onderzoeken van biomarkers of het begrijpen van de onderliggende biologie van een ziekte. Het prioriteren van potentiële doelwitten, een functie die OpenAI noemt, kan nuttig zijn in de vroegste fasen van het ontwikkelen van een nieuwe test of behandeling.

Overweeg om de mogelijkheden van dit domeinspecifieke model te vergelijken met die van generieke AI-tools die je mogelijk al gebruikt. De kracht zit hem in de diepgaande, contextuele kennis van een specifiek vakgebied, wat het waardevol maakt voor toegepast onderzoek en ontwikkeling.

Bron: Arstechnica