OpenAI heeft een AI-model gelanceerd dat specifiek is getraind op biologische onderzoeksprocessen, en dat kan voor Nederlandse biotech-startups en MKB-labonderzoekers betekenen dat ze sneller door grote datasets heen kunnen werken en gespecialiseerde kennis kunnen ontsluiten zonder zelf expert te zijn in elk subveld.

Wat er aan de hand is

Op donderdag kondigde OpenAI de beschikbaarheid aan van GPT-Rosalind, een groot taalmodel dat is getraind op vijftig veelvoorkomende biologische workflows en op het gebruik van grote openbare databanken met biologische informatie. Het model is vernoemd naar Rosalind Franklin, de Britse scheikundige wier werk cruciaal was voor de ontdekking van de DNA-structuur. Volgens OpenAI is het model ontworpen om twee grote obstakels voor biologisch onderzoekers aan te pakken: de overweldigende hoeveelheid data uit decennia van genoomsequencing en eiwitbiochemie, en de enorme specialisatie binnen de biologie, waarbij bijvoorbeeld een geneticus die een gen in hersencellen bestudeert, moeite kan hebben met de neurobiologische literatuur. In een persbriefing zei Yunyun Wang, OpenAI’s Life Sciences Product Lead, dat het model suggesties kan doen voor waarschijnlijke biologische routes en potentiële medicijndoelen kan prioriteren. Het systeem verbindt genotype met fenotype via bekende routes en regulatiemechanismen, en kan de structurele of functionele eigenschappen van eiwitten afleiden.

Wat dit betekent

Voor Nederlandse biotech-startups en MKB-labonderzoekers betekent dit dat een gespecialiseerde AI toegankelijk wordt die verder gaat dan algemene wetenschappelijke modellen. Waar bestaande AI’s vaak breed inzetbaar zijn maar oppervlakkig blijven in specifieke domeinen, is GPT-Rosalind getraind op de dagelijkse praktijk van biologisch onderzoek. Dat maakt het model relevant voor kleine teams die niet de middelen hebben om een eigen AI te trainen of een team van datascientists in dienst te nemen. Vooral bedrijven die werken aan medicijnontwikkeling, gentherapie of gepersonaliseerde geneeskunde kunnen profiteren van de mogelijkheid om snel verbanden te leggen tussen genetische data en biologische functies. Ook voor onderzoekers die af en toe buiten hun eigen specialisatie moeten treden, bijvoorbeeld een moleculair bioloog die opeens met neurowetenschappelijke data werkt, biedt het model een manier om de juiste literatuur en databanken te raadplegen zonder weken in te lezen.

Hoe je dit kunt toepassen

Als je een biotech-startup runt die zich richt op het identificeren van nieuwe medicijndoelen, dan kun je GPT-Rosalind inzetten om uit grote genoomdatasets de meest veelbelovende eiwitten of routes te filteren. Het model is getraind om verbanden te leggen tussen genotype en fenotype, wat betekent dat je een lijst van genvarianten kunt invoeren en suggesties kunt krijgen voor welke eiwitten mogelijk betrokken zijn bij een ziekte. Een mogelijke aanpak is om het model te gebruiken als eerste screener voordat je kostbare labexperimenten start, zodat je je onderzoeksbudget richt op de meest kansrijke hypotheses.

Als je een MKB-lab hebt dat onderzoek doet naar zeldzame ziekten, dan kun je GPT-Rosalind gebruiken om de literatuur over specifieke genen of eiwitten te ontsluiten. Omdat het model toegang heeft tot grote openbare databanken, kun je een gennaam invoeren en vragen naar bekende interacties, expressiepatronen of ziektesociaties. Dit bespaart tijd die anders zou gaan aan het handmatig doorzoeken van PubMed en andere bronnen. Overweeg om het model te vragen een samenvatting te maken van de huidige kennis over een gen, inclusief verwijzingen naar relevante publicaties.

Als je als onderzoeker werkt op het snijvlak van verschillende biologische disciplines, bijvoorbeeld genetica en neurowetenschappen, dan kan GPT-Rosalind je helpen om de terminologie en methoden van een onbekend vakgebied te begrijpen. Je zou het model kunnen vragen om een complex neurobiologisch mechanisme uit te leggen in termen die een geneticus begrijpt, of om een lijst te maken van de belangrijkste databanken en protocollen in dat veld. Dit maakt het makkelijker om samen te werken met specialisten uit andere disciplines zonder dat je eerst maanden hoeft te studeren.

Als je een onderzoeksgroep leidt die werkt aan eiwitstructuurvoorspelling, dan kun je GPT-Rosalind gebruiken om de functionele implicaties van voorspelde structuren te interpreteren. Het model kan op basis van een eiwitsequentie suggesties doen voor de waarschijnlijke functie, interactiepartners of betrokkenheid bij biologische routes. Een optie is om de output van structuurvoorspellingstools zoals AlphaFold te combineren met de biologische context die GPT-Rosalind biedt, zodat je niet alleen weet hoe een eiwit eruitziet, maar ook wat het waarschijnlijk doet.

Bron: Arstechnica (https://arstechnica.com/science/2026/04/openai-starts-offering-a-biology-tuned-llm/)