إطلاق GPT‑Rosalind لأبحاث العلوم الحياتية

نقدم اليوم GPT‑Rosalind، نموذج الاستدلال الرائد لدينا، والمصمم لدعم الأبحاث في مجالات علم الأحياء، واكتشاف الأدوية، والطب الانتقالي. وقد جرى تحسين سلسلة النماذج المخصصة لعلوم الحياة لتلائم مسارات العمل العلمية، إذ تجمع بين استخدام أكثر كفاءة للأدوات وفهم أعمق للكيمياء، وهندسة البروتينات، وعلم الجينوم.

في المتوسط، يستغرق تطوير دواء جديد في الولايات المتحدة نحو 10 إلى 15 عامًا، من اكتشاف الهدف الدوائي إلى الحصول على الموافقة التنظيمية. وتنعكس المكاسب المتحققة في المراحل الأولى من الاكتشاف لاحقًا في تحسين اختيار الأهداف، وبناء فرضيات بيولوجية أقوى، وإجراء تجارب أعلى جودة. ولا يقتصر ما يقيّد التقدّم في علوم الحياة على صعوبة العلم نفسه، بل يمتد أيضًا إلى تعقيد مسارات العمل البحثية. إذ يتعيّن على العلماء التعامل مع كمّ هائل من الأدبيات العلمية، وقواعد البيانات المتخصصة، والبيانات التجريبية، والفرضيات المتطورة، من أجل توليد أفكار جديدة وتقييمها. وغالبًا ما تكون هذه المسارات البحثية كثيفة الاستهلاك للوقت، ومجزأة، ويصعب توسيع نطاقها.

نؤمن بأن أنظمة الذكاء الاصطناعي المتقدمة يمكنها أن تساعد الباحثين على المضي عبر سير العمل هذه بوتيرة أسرع، ليس فقط من خلال جعل العمل القائم أكثر كفاءة، بل أيضًا عبر مساعدتهم على استكشاف المزيد من الإمكانات، وإبراز الروابط التي ربما كان يمكن أن تمر دون ملاحظة، والتوصل إلى فرضيات أفضل في وقت أقرب. ومن خلال دعم مهام مثل تجميع الأدلة، وتوليد الفرضيات، والتخطيط للتجارب، وغيرها من المهام البحثية متعددة الخطوات، صُمم هذا النموذج لمساعدة الباحثين على تسريع المراحل المبكرة من الاكتشاف. ومع مرور الوقت، يمكن لهذه الأنظمة أن تساعد مؤسسات علوم الحياة على تحقيق اكتشافات نوعية ما كان الوصول إليها ممكنًا لولاها، وبمعدل نجاح أعلى بكثير. 

أصبح GPT‑Rosalind متاحًا الآن كمعاينة بحثية في ChatGPT وCodex وAPI للعملاء المؤهلين من خلال برنامجنا للوصول الموثوق. كما نقدّم أيضًا مكونًا إضافيًا بحثيًا في علوم الحياة لـ Codex، متاحًا مجانًا، لمساعدة العلماء على ربط نموذج بأكثر من 50 أداة علمية ومصدر بيانات. ونعمل مع عملاء مثل Amgen وModerna وthe Allen Institute وThermo Fisher Scientific وغيرهم على تطبيق GPT‑Rosalind عبر سير العمل التي تسرّع البحث والاكتشاف.

وقد سُمّي النموذج تيمنًا بـ Rosalind Franklin، التي أسهمت أبحاثها الدقيقة في كشف بنية الحمض النووي DNA وأرست الأسس لعلم الأحياء الجزيئي الحديث.

صُممت سلسلة نماذج GPT‑Rosalind لعلوم الحياة لتخدم العمل العلمي الحديث عبر الأدلة المنشورة، والبيانات، والأدوات، والتجارب. وفي تقييماتنا، حققت أفضل أداء في المهام التي تتطلب استدلالًا على الجزيئات، والبروتينات، والجينات، والمسارات الحيوية، والبيولوجيا المرتبطة بالأمراض، كما أظهرت فاعلية أكبر في استخدام الأدوات العلمية وقواعد البيانات ضمن مسارات عمل متعددة الخطوات، مثل مراجعة البحوث العلمية السابقة، وتفسير العلاقة بين التسلسل والوظيفة، والتخطيط للتجارب، وتحليل البيانات.

ويمثل هذا الإصدار أول طرح ضمن سلسلة نماذج GPT‑Rosalind المخصصة لعلوم الحياة، وسنواصل توسيع آفاق قدرات النموذج في الاستدلال الكيميائي الحيوي عبر مسارات عمل علمية ممتدة زمنيًا وكثيفة الاعتماد على الأدوات. وتمنحنا البنية التحتية الحاسوبية لدى OpenAI القدرة على مواصلة تدريب نماذج نطاقية متزايدة الكفاءة، وتقييمها، وتحسينها في مواجهة مهام علمية واقعية، بما يساعد هذه الأنظمة على أن تصبح أكثر فائدة كلما ازدادت مسارات العمل نفسها تعقيدًا.

نعمل مع نخبة من عملاء الأدوية والتقنية الحيوية والبحث العلمي، إلى جانب مؤسسات التكنولوجيا في علوم الحياة، لتطبيق GPT‑Rosalind ضمن مسارات عمل تدفع وتيرة الاكتشاف قدمًا.

قيّمنا GPT‑Rosalind عبر مجموعة من القدرات الأساسية للاكتشاف العلمي والبحث الصناعي. وتقيس هذه التقييمات جوانب الاستدلال المحورية في تخصصات علمية فرعية متعددة، بما يشمل آليات التفاعلات الكيميائية، وبنية البروتينات، وآثار الطفرات والتفاعلات بينها، والتفسير التطوري لتسلسلات الحمض النووي DNA. كما تقيس مدى قدرة النماذج على دعم مسارات العمل البحثية الفعلية من خلال تفسير المخرجات التجريبية، وتحديد الأنماط ذات الصلة بخبرة الباحثين، وتجميع المعلومات الخارجية لتصميم تجارب المتابعة. وفي المرحلة الأخيرة، تختبر هذه التقييمات ما إذا كانت النماذج قادرة على اختيار الأدوات الحاسوبية المناسبة، وقواعد البيانات، والقدرات المتخصصة بالمجال بما يعزز استدلالها. وعند النظر إليها مجتمعة، تُظهر هذه التقييمات تقدمًا عبر المسار الكامل للبحث العلمي، وتشير إلى قدرة أقوى على مساعدة الباحثين في التعامل مع مهام الاكتشاف المعقدة.

قيّمنا GPT‑Rosalind على مجموعة من المقاييس العامة المتاحة. وعلى BixBench، وهو معيار صُمم انطلاقًا من تطبيقات واقعية في المعلوماتية الحيوية وتحليل البيانات، حقق GPT‑Rosalind أداءً رائدًا بين النماذج التي نُشرت نتائجها.

وعلى LABBench2، وهو مقياس يقيس الأداء عبر مجموعة من المهام البحثية مثل استرجاع الأدبيات العلمية، والوصول إلى قواعد البيانات، ومعالجة التسلسلات، وتصميم البروتوكولات، يتفوّق GPT‑Rosalind على GPT‑5.4 في 6 من أصل 11 مهمة. وجاء أبرز تحسن في CloningQA، الذي يتطلب تصميمًا متكاملًا لكواشف DNA والإنزيمات من أجل بروتوكولات الاستنساخ الجزيئي.

كما عقدنا شراكة مع Dyno Therapeutics، وهي شركة رائدة في تطوير العلاجات الجينية المصممة بالذكاء الاصطناعي، لتقييم النموذج في مهمة التنبؤ بالعلاقة بين تسلسل RNA ووظيفته، وكذلك توليد التسلسلات، باستخدام تسلسلات غير منشورة وغير ملوثة. وقورِن الأداء مع 57 نتيجة تاريخية لخبراء بشريين في مجال التقاطع بين الذكاء الاصطناعي وعلوم الأحياء. وعند تقييمه مباشرة داخل تطبيق Codex، جاءت أفضل المحاولات العشر المقدمة من النموذج أعلى من الشريحة المئوية الخامسة والتسعين لخبراء البشر في مهمة التنبؤ، وحول الشريحة المئوية الرابعة والثمانين لخبراء البشر في مهمة توليد التسلسلات.

توفر هذه التقييمات مؤشرًا ذا دلالة على الأداء في أنواع سير العمل التي يعتمد عليها العلماء يوميًا لإنتاج الأدلة، وتحليل البيانات المعقدة، والمضي نحو استنتاجات بيولوجية يمكن الدفاع عنها.

يمكن للعلماء استخدام المكوّن الإضافي الجديد للأبحاث في علوم الحياة⁠(يفتح في نافذة جديدة) الخاص بنا لـ Codex، والمتوفر الآن في GitHub. تتضمن هذه الحزمة مجموعة واسعة من المهارات المعيارية لمعظم مسارات العمل البحثية الشائعة، وهي مصممة لمساعدة المستخدمين على العمل عبر علم الوراثة البشرية، وعلم الجينوم الوظيفي، وبنية البروتين، والكيمياء الحيوية، والأدلة السريرية، واكتشاف الدراسات العامة.

تعمل هذه المهارات بوصفها طبقة تنسيق تساعد العلماء على التعامل مع الأسئلة الواسعة والغامضة ومتعددة الخطوات بفعالية أكبر. كما تتيح الوصول إلى أكثر من 50 قاعدة بيانات عامة متعددة الأوميكس، ومصادر الأبحاث العلمية السابقة، وأدوات علم الأحياء، وتوفّر نقطة انطلاق مرنة لسير العمل الشائعة القابلة للتكرار، مثل البحث عن بنية البروتين، والبحث في التسلسلات، ومراجعة الأدبيات العلمية، واكتشاف مجموعات البيانات العامة.

يمكن لمستخدمي Enterprise المؤهلين الاستفادة من هذا المكون الإضافي في سير عمل البحث مع GPT‑Rosalind من أجل استدلال بيولوجي أعمق، بينما يمكن لجميع المستخدمين استخدام حزمة المكونات الإضافية مع نموذجنا الرئيسي.

نريد إتاحة هذه الإمكانات للعلماء والمؤسسات البحثية الأقدر على الإسهام في النهوض بصحة الإنسان، مع الحفاظ على ضمانات قوية ضد إساءة الاستخدام البيولوجي. يجري إطلاق نموذج علوم الحياة من خلال هيكل نشر قائم على الوصول الموثوق لعملاء Enterprise المؤهلين في الولايات المتحدة في المرحلة الأولى، مع ضوابط تتعلق بالأهلية وإدارة الوصول والحوكمة المؤسسية. وفي الوقت نفسه، نعمل على إتاحة مجموعة من الموصلات والمكوّن الإضافي لأبحاث علوم الحياة على نطاق أوسع، حتى يتمكن الباحثون من استخدام نموذجنا الأساسي بفاعلية أكبر في مهام أبحاث علوم الحياة. 

تم تطوير نموذج Life Sciences باستخدام ضوابط أمان معززة على مستوى المؤسسات وإدارة وصول أكثر إحكامًا، بما يتيح استخدامًا علميًا احترافيًا في بيئات بحثية خاضعة للحوكمة. نقيّم إمكانية الوصول استنادًا إلى ثلاثة مبادئ أساسية: الاستخدام المفيد، والحوكمة القوية والإشراف على السلامة، والوصول المضبوط مع أمان على مستوى المؤسسات. عمليًا، يعني هذا أن المؤسسات المشاركة يجب أن تكون تُجري أبحاثًا علمية مشروعة ذات منفعة عامة واضحة؛ وأن تحافظ على ضوابط مناسبة للحوكمة والامتثال ومنع إساءة الاستخدام؛ وأن تقيّد الوصول على المستخدمين المعتمدين ضمن بيئات آمنة وجيدة الإدارة. ويجب على المؤسسات أيضًا الموافقة على شروط المعاينة البحثية لعلوم الحياة والامتثال لسياسات استخدام OpenAI، وقد نطلب معلومات إضافية كجزء من عملية الإعداد أو استمرار المشاركة.

يمكن للمؤسسات طلب الوصول⁠ من خلال عملية مراجعة التأهيل والسلامة لدينا.

خلال المعاينة البحثية، لن يستهلك استخدام هذا النموذج الأرصدة أو الرموز الحالية، ضمن ضوابط منع إساءة الاستخدام. وسنشارك المزيد من التفاصيل حول الأسعار والإتاحة مع توسّع البرنامج.

صُمم نموذج علوم الحياة لمساعدة المؤسسات العلمية على إنجاز أعمال أعلى جودة بوتيرة أسرع، في بيئات تتطلب في الوقت نفسه كفاءة تقنية وانضباطًا تشغيليًا. ويساعد فريقنا المتخصص في علوم الحياة، إلى جانب شركائنا الاستشاريين، ومن بينهم McKinsey & Company وBoston Consulting Group (BCG) وBain & Company، المؤسسات على تحديد حالات الاستخدام عالية الأثر، ودمج النموذج في بيئات العمل المؤسسية، وتحقيق نتائج قابلة للقياس. وإذا كنتم ترغبون في استكشاف سبل تمكين OpenAI Life Sciences لأعمالكم، فيمكنكم التواصل مع فريق علوم الحياة لدينا⁠.

يمثل هذا الإصدار أول طرح ضمن سلسلة نماذجنا لعلوم الحياة، وننظر إليه بوصفه بداية التزام طويل الأمد ببناء ذكاء اصطناعي قادر على تسريع الاكتشاف العلمي في مجالات بالغة الأهمية للمجتمع، من صحة الإنسان إلى آفاق البحث البيولوجي الأوسع. وسنواصل تحسين قدرات النموذج في الاستدلال البيولوجي، وتوسيع دعمه لمسارات العمل البحثية كثيفة الاعتماد على الأدوات والممتدة على مدى زمني طويل، والعمل عن قرب مع المؤسسات العلمية الرائدة لتقييم أثره في الواقع العملي. ويشمل ذلك شراكات مستمرة مع مختبرات وطنية مثل Los Alamos National Laboratory، حيث نستكشف تصميم البروتينات والمحفزات بتوجيه من الذكاء الاصطناعي، بما في ذلك قدرة أنظمة الذكاء الاصطناعي على تعديل البنى البيولوجية مع الحفاظ على الخصائص الوظيفية الأساسية أو تحسينها. 

ومع مرور الوقت، نتوقع أن تصبح هذه الأنظمة شركاء أكثر قدرة في مسيرة الاكتشاف، بما يساعد العلماء على الانتقال بوتيرة أسرع من السؤال إلى الدليل، ومن الدليل إلى الفهم، ومن الفهم إلى علاجات جديدة للمرضى.