Новая модель GPT-Rosalind позиционируется как инструмент для ускорения ранних стадий разработки лекарственных препаратов, что является одной из наиболее капиталоемких и продолжительных фаз в фармацевтической индустрии.

Традиционный процесс создания нового лекарства от момента идентификации биологической мишени до получения одобрения регулирующих органов в среднем занимает от 10 до 15 лет. Значительная часть этого времени и бюджета (средняя оценка затрат составляет около $2,6 млрд) уходит не на клинические испытания, а начальные исследования: анализ научной литературы, перебор гипотез и интерпретацию противоречивых экспериментальных данных. GPT-Rosalind призвана устранить два основных барьера, тормозящих ранние этапы разработки лекарств: разрозненность рабочих процессов и информационную перегрузку ученых.

В отличие от известных моделей, таких как AlphaFold от Google DeepMind, которые решают конкретную задачу (например, предсказание трехмерной структуры белков), GPT-Rosalind нацелена на более широкий спектр действий. Модель задумана как «рассуждающий агент», способный синтезировать научные доказательства, генерировать гипотезы, планировать эксперименты и взаимодействовать с десятками специализированных баз данных в рамках единого рабочего процесса.

Ключевой особенностью модели является так называемый скептический тюнинг (skepticism tuning). Разработчики сознательно калибровали алгоритм для снижения эффекта сикофантии (sycophancy) — склонности модели «угождать» пользователю или подтверждать неверные предпосылки. Если модель идентифицирует низкоперспективную биологическую мишень, она настроена на отказ от генерации ответа, вместо того чтобы выдавать правдоподобное, но неверное обоснование. Это критически важно для предотвращения дорогостоящих ошибок на ранних этапах разработки.

Результаты тестирования показывают высокую эффективность нового инструмента. На бенчмарке BixBench, оценивающем выполнение реальных биоинформатических задач, модель продемонстрировала лидирующие результаты. В тестах LABBench2 GPT-Rosalind превзошла своего предшественника GPT-5.4 в шести из одиннадцати категорий. При работе с неизвестными РНК-последовательностями (для исключения эффекта заучивания обучающих данных) лучшие результаты модели превысили 95-й перцентиль экспертов-людей в задачах предсказания и около 84-го перцентиля в задачах генерации последовательностей.

Одновременно с моделью OpenAI выпустила бесплатный плагин Life Sciences Research Plugin для платформы Codex. Этот инструмент доступен более широкой аудитории и открывает доступ к интерфейсу для работы с более чем 50 научными базами данных, охватывающих протеомику, геномику и клинические исследования.

Несмотря на впечатляющие показатели, руководство OpenAI, в частности руководитель исследований в области наук о жизни Джой Цзяо, отмечает, что модель не предназначена для автономного создания новых методов лечения. Ее цель — ускорение работы исследователя, а не его замена. Важно отметить, что на сегодняшний день ни один препарат, полностью открытый или разработанный искусственным интеллектом, не прошел третью фазу клинических испытаний. Промежуток между успешным предсказанием функции РНК в пробирке и доказательством снижения смертности у пациентов в контролируемом исследовании остается чрезвычайно большим.

Таким образом, OpenAI предлагает индустрии способ сократить цикл «гипотеза — эксперимент», что в масштабах тысяч лабораторий может привести к значительному кумулятивному эффекту в скорости научного прогресса.

📕📕📕
Источник The News International
Источник DrugPatentWatch 

📲 MAX