Bemutatjuk a GPT‑Rosalindot az élettudományi kutatás számára
A tudományos kutatás és a gyógyszerkutatás felgyorsítására készült új modell.
Ma bemutatjuk a GPT‑Rosalindot, az élvonalbeli érvelési modellünket, amelyet a biológia, a gyógyszerkutatás és a transzlációs orvoslás kutatásainak támogatására fejlesztettünk ki. Az élettudományi modellsorozatot tudományos munkafolyamatokra optimalizálták, ötvözve az eszközök hatékonyabb használatát a kémia, a fehérjemérnökség és a genomika mélyebb megértésével.
Átlagosan nagyjából 10–15 évre van szükség ahhoz, hogy az Egyesült Államokban egy új gyógyszer a célpont azonosításától eljusson a szabályozói jóváhagyásig. A felfedezési folyamat legkorábbi szakaszaiban elért eredmények a későbbi szakaszokban megtöbbszöröződnek: jobb célpontkiválasztást, megalapozottabb biológiai hipotéziseket és jobb minőségű kísérleteket eredményeznek. Az élettudományok terén elért előrehaladást nemcsak a mögöttes tudomány nehézsége, hanem maguknak a kutatási munkafolyamatoknak az összetettsége is korlátozza. A tudósoknak nagy mennyiségű szakirodalmat, speciális adatbázisokat, kísérleti adatokat és folyamatosan alakuló hipotéziseket kell áttekinteniük ahhoz, hogy új ötleteket dolgozzanak ki és értékeljenek. Ezek a munkafolyamatok gyakran időigényesek, széttagoltak és nehezen skálázhatók.
Úgy véljük, hogy a fejlett AI-rendszerek segíthetnek a kutatóknak abban, hogy gyorsabban haladjanak végig ezeken a munkafolyamatokon – nemcsak azáltal, hogy hatékonyabbá teszik a meglévő munkát, hanem azzal is, hogy segítik a tudósokat több lehetőség feltárásában, olyan összefüggések felismerésében, amelyek egyébként észrevétlenek maradnának, és abban, hogy hamarabb jussanak jobb hipotézisekhez. A bizonyítékok szintetizálásának, a hipotézisalkotásnak, a kísérlettervezésnek és más többlépéses kutatási feladatoknak a támogatásával ez a modell arra készült, hogy segítsen a kutatóknak felgyorsítani a felfedezések korai szakaszát. Idővel ezek a rendszerek segíthetik az élettudományi szervezeteket abban, hogy jóval nagyobb sikeraránnyal olyan áttöréseket érjenek el, amelyekre egyébként nem lenne lehetőség.
A GPT‑Rosalind most kutatási előnézetként érhető el a ChatGPT‑ben, a Codexben és az API-n keresztül a jogosult ügyfelek számára megbízható hozzáférési programunkon keresztül. Emellett bemutatunk egy szabadon hozzáférhető Life Sciences kutatási beépülő modult a Codexhez, amely segíti a tudósokat abban, hogy a modelleket több mint 50 tudományos eszközhöz és adatforráshoz kapcsolják. Olyan ügyfelekkel dolgozunk együtt, mint az Amgen, a Moderna, az Allen Institute, a Thermo Fisher Scientific és mások, hogy a GPT‑Rosalindot a kutatást és a felfedezéseket felgyorsító munkafolyamatokban alkalmazzuk.
A modell Rosalind Franklinről kapta a nevét, akinek szigorú kutatása hozzájárult a DNS szerkezetének feltárásához, és megalapozta a modern molekuláris biológiát.
Nyers adatoktól a megalapozott felfedezési döntésekig, nézd meg, hogyan gyorsítja fel a kutatási munkafolyamatokat a célzottan erre tervezett modellünk.
A GPT‑Rosalind élettudományi modellsorozat a modern tudományos munkára készült a publikált bizonyítékok, adatok, eszközök és kísérletek teljes spektrumában. Értékeléseinkben ez nyújtja a legjobb teljesítményt a molekulákra, fehérjékre, génekre, útvonalakra és a betegség szempontjából releváns biológiára vonatkozó érvelést igénylő feladatokban, és hatékonyabban használja a tudományos eszközöket és adatbázisokat olyan többlépéses munkafolyamatokban, mint a szakirodalmi áttekintés, a szekvencia és a funkció közötti kapcsolat értelmezése, a kísérlettervezés és az adatelemzés.
Ez a GPT‑Rosalind élettudományi modellsorozatunk első kiadása, és továbbra is bővíteni fogjuk a modell élvonalbeli biokémiai érvelési képességeit a hosszú távú, eszközintenzív tudományos munkafolyamatokban. Az OpenAI számítási infrastruktúrája lehetővé teszi számunkra, hogy tovább képezzük, értékeljük és fejlesszük az egyre fejlettebb területspecifikus modelleket valós tudományos feladatokon, ezzel segítve, hogy ezek a rendszerek egyre hasznosabbá váljanak, ahogy a munkafolyamatok is egyre összetettebbé válnak.
Nézze meg, hogyan eredményez megoldáscsomagunk mérhető javulást az Ön kutatási munkafolyamataiban – a bizonyítékokon alapuló felfedezési felismerésektől a nagy hatású kísérletekig.
Vezető gyógyszeripari, biotechnológiai és kutatási ügyfelekkel, valamint élettudományi technológiai szervezetekkel dolgozunk együtt, hogy a GPT‑Rosalindot olyan munkafolyamatokban használd, amelyek elősegítik a felfedezéseket.
„Az élettudományok területe minden lépésnél pontosságot követel meg. A kérdések igen összetettek, az adatok rendkívül egyediek, és rendkívül nagy a tét. „Az OpenAI-jal való egyedülálló együttműködésünk lehetővé teszi számunkra, hogy legfejlettebb képességeiket és eszközeiket új és innovatív módokon alkalmazzuk, ami felgyorsíthatja, hogyan juttatjuk el a gyógyszereket a betegekhez.”
A GPT‑Rosalindot több, a tudományos felfedezések és az ipari kutatás szempontjából alapvető képesség mentén értékeltük ki. Ezek az értékelések az alapvető érvelést mérik a tudományos részterületeken, beleértve a kémiai reakciómechanizmusokat; a fehérjék szerkezetét, a mutációk hatásait és a kölcsönhatásokat; valamint a DNS-szekvenciák filogenetikai értelmezését. Azt is értékelik, hogy a modellek képesek-e támogatni a valós kutatási munkafolyamatokat a kísérleti eredmények értelmezésével, a szakértők számára releváns mintázatok azonosításával, valamint külső információk szintetizálásával utókövető kísérletek megtervezéséhez. Végül azt tesztelik, hogy a modellek képesek-e kiválasztani és használni a megfelelő számítási eszközöket, adatbázisokat és szakterület-specifikus képességeket érvelésük kiegészítésére. Összességében ezek az értékelések előrelépést mutatnak a tudományos kutatás teljes folyamatában, és arra utalnak, hogy erősebbé vált a képesség a kutatók támogatására a kihívást jelentő felfedezési feladatok megoldásában.
Értékeltük a GPT‑Rosalindot egy sor nyilvános benchmarkon. A valós bioinformatikai és adatelemzési feladatokra épülő benchmarkon, a BixBenchen, a GPT‑Rosalind a nyilvánosan közzétett eredményekkel rendelkező modellek között a legjobb teljesítményt érte el.
A LABBench2 benchmarkon, amely a különféle kutatási feladatokban – például szakirodalom-visszakeresésben, adatbázis-hozzáférésben, szekvenciamanipulációban és protokolltervezésben – nyújtott teljesítményt méri, a GPT‑Rosalind 11 feladatból 6-ban felülmúlja a GPT‑5.4‑et. A legjelentősebb javulás a CloningQA-ból származik, amely a molekuláris klónozási protokollokhoz szükséges DNS- és enzimreagensek teljes körű tervezését igényli.
Együttműködtünk a Dyno Therapeuticsszel is, amely az AI által tervezett génterápiák úttörő vállalata, hogy a modellt egy RNA-szekvencia–funkció előrejelzési és generálási feladaton értékeljük, publikálatlan, nem szennyezett szekvenciák felhasználásával. A teljesítményt az AI-bio terület emberi szakértőitől származó 57 korábbi pontszámmal hasonlították össze. A Codex appban közvetlenül értékelve a tízből legjobb modell beküldések az előrejelzési feladaton az emberi szakértők 95. percentilise fölé, a szekvenciagenerálási feladaton pedig az emberi szakértők körülbelül 84. percentilise köré rangsorolódtak.
Ezek az értékelések érdemi jelzést adnak a teljesítményről azokban a munkafolyamatokban, amelyekre a tudósok nap mint nap támaszkodnak bizonyítékok létrehozására, összetett adatok elemzésére és megalapozott biológiai következtetések levonására.
A tudósok használhatják az új Élettudományok kutatási beépülő modult(új ablakban nyílik meg) a Codexhez, amely mától elérhető a GitHubon. Ez a csomag moduláris készségek széles körét tartalmazza a leggyakoribb kutatási munkafolyamatokhoz, és arra készült, hogy segítse a felhasználókat a humángenetika, a funkcionális genomika, a fehérjeszerkezet, a biokémia, a klinikai bizonyítékok és a nyilvánosan elérhető tanulmányok felkutatása területén végzett munkában.
Ezek a készségek koordinációs rétegként működnek, amely segít a tudósoknak hatékonyabban végighaladni az átfogó, kétértelmű és többlépéses kérdéseken. Több mint 50 nyilvános multiomikai adatbázishoz, szakirodalmi forráshoz és biológiai eszközhöz biztosítanak hozzáférést, valamint rugalmas kiindulópontot kínálnak olyan gyakori, ismételhető munkafolyamatokhoz, mint a fehérjeszerkezetek lekérdezése, a szekvenciakeresés, a szakirodalom áttekintése és a nyilvános adatkészletek felderítése.
A jogosult Enterprise felhasználók ezt a bővítményt a GPT‑Rosalinddal együtt használhatják a kutatási munkafolyamatokban a mélyebb biológiai érveléshez, míg a bővítménycsomagot minden felhasználó használhatja a fő modelljeinkkel.
Ezeket a képességeket elérhetővé szeretnénk tenni azon tudósok és kutatószervezetek számára, amelyek a legalkalmasabb helyzetben vannak az emberi egészség előmozdítására, miközben erős biztosítékokat tartunk fenn a biológiai visszaélésekkel szemben. Az élettudományi modell megbízható hozzáférésű bevezetési struktúrában indul, kezdetben az Egyesült Államokban működő, erre jogosult Enterprise-ügyfelek számára, a jogosultságra, a hozzáférés-kezelésre és a szervezeti irányításra vonatkozó szabályozás mellett. Ezzel egyidejűleg az összekötők egy készletét és a Life Sciences Research Plugint is szélesebb körben elérhetővé tesszük, hogy a kutatók hatékonyabban használhassák fő modelljeinket az élettudományi kutatási feladatokhoz.
A Life Sciences modellt vállalati szintű biztonsági ellenőrzésekkel és megerősített hozzáférés-kezeléssel fejlesztették ki, lehetővé téve a szakmai tudományos felhasználást irányított kutatási környezetekben. A hozzáférést három alapelv alapján értékeljük: előnyös felhasználás, szigorú irányítás és biztonsági felügyelet, valamint ellenőrzött hozzáférés vállalati szintű biztonsággal. A gyakorlatban ez azt jelenti, hogy a részt vevő szervezeteknek jogszerű tudományos kutatást kell végezniük, amely egyértelmű közhaszonnal jár; fenn kell tartaniuk a megfelelő irányítási, megfelelőségi és visszaélés-megelőzési kontrollokat; valamint a hozzáférést a jóváhagyott felhasználókra kell korlátozniuk biztonságos, megfelelően felügyelt környezeteken belül. A szervezeteknek el kell fogadniuk az élettudományi kutatási előnézet feltételeit is, meg kell felelniük az OpenAI használati irányelveinek, és a beléptetés vagy a folyamatos részvétel részeként további információkat kérhetünk.
A szervezetek hozzáférést kérhetnek a minősítési és biztonsági ellenőrzési folyamatunkon keresztül.
A kutatási előzetes időszakában a modell használata nem fogyasztja el a meglévő krediteket vagy tokeneket, azonban a visszaélések elleni védőkorlátok érvényesek. A program bővülésével további részleteket osztunk meg az árakról és az elérhetőségről.
Az élettudományi modell arra készült, hogy segítsen a tudományos szervezeteknek gyorsabban végezni magasabb színvonalú munkát olyan környezetekben, amelyek egyaránt technikai képességeket és működési kontrollt igényelnek. Elkötelezett élettudományi csapatunk – valamint tanácsadó partnereink, köztük a McKinsey & Company, a Boston Consulting Group (BCG) és a Bain & Company – segítenek a szervezeteknek a nagy hatású felhasználási esetek azonosításában, a modell vállalati környezetekbe történő integrálásában és mérhető eredmények elérésében. Ha szeretné megtudni, hogyan támogathatja az OpenAI Élettudományok az Ön munkáját, kapcsolatba léphet élettudományi csapatunkkal.
Ez az első kiadás az élettudományi modell sorozatunkban, és ezt egy hosszú távú elköteleződés kezdetének tekintjük olyan AI fejlesztése mellett, amely felgyorsíthatja a tudományos felfedezéseket azokon a területeken, amelyek kiemelten fontosak a társadalom számára, az emberi egészségtől a tágabb értelemben vett biológiai kutatásig. Továbbra is fejleszteni fogjuk a modell biológiai érvelését, bővíteni fogjuk az eszközigényes és hosszú távú kutatási munkafolyamatok támogatását, valamint szorosan együttműködünk vezető tudományos intézményekkel a valós hatás felmérése érdekében. Ez magában foglalja a nemzeti laboratóriumokkal – például a Los Alamos Nemzeti Laboratóriummal – folytatott folyamatos partnerségeket is, ahol az MI által irányított fehérje- és katalizátortervezést vizsgáljuk, beleértve azt a képességet, hogy az MI-rendszerek módosítsák a biológiai struktúrákat, miközben megőrzik vagy javítják a kulcsfontosságú funkcionális tulajdonságokat.
Idővel arra számítunk, hogy ezek a rendszerek a kutatás egyre hatékonyabb partnereivé válnak — segítve a tudósokat abban, hogy gyorsabban jussanak el a kérdéstől a bizonyítékig, a bizonyítéktól a felismerésig, a felismeréstől pedig a betegek számára új kezelésekig.
