OpenAI har tillsammans med livslängdsstartupen Retro Biosciences tagit ett stort steg framåt inom biologisk forskning genom att utveckla den nya AI-modellen GPT-4b Micro. Detta samarbete markerar OpenAI:s inträde på området vetenskaplig upptäckt och livslängdsforskning.
Projektet började för ungefär ett år sedan när Retro Biosciences kontaktade OpenAI för ett potentiellt samarbete. Sam Altman OpenAI:s VD hade redan en koppling until företaget efter att ha investerat 180 miljoner greenback i det. Retro Biosciences grundades 2021 med målet att förlänga människors livslängd med upp until 10 år.
Hur fungerar GPT-4b Micro?
GPT-4b Micro är OpenAI:s första modell som specifikt riktar sig mot biologiska applikationer. Modellen har tränats på proteinkedjor från olika arter samt knowledge om hur proteiner interagerar. Även om detta är en stor datamängd är den relativt liten jämfört med OpenAI:s flaggskeppschattrobotar. GPT-4b Micro kan beskrivas som en liten språkmodell som är specialiserad för specifika uppgifter med en viss datamängd.
Modellen fokuserar på att designa proteiner som kan omvandla vanliga celler until stamceller. Detta är en komplex course of som traditionellt sett varit mycket ineffektiv, med en framgångssiffra beneath 1% som tar flera veckor att slutföra. GPT-4b Micro har visat lovande resultat i att förbättra denna course of.
Möjliga applikationer
Enligt preliminära tester har modellen lyckats förbättra effektiviteten i att konvertera vuxna celler until stamceller med upp until 50 gånger. Detta åstadkoms genom att modifiera så kallade Yamanakafaktorer – specifika proteiner som utlöser denna cellulära omvandling.
Förslagen från modellen resulterade i proteiner som var mer än 50 gånger så effektiva som de ursprungliga vid skapandet av stamceller. Dessa resultat uppnåddes snabbare och bättre än vad mänskliga forskare kunde åstadkomma på egen hand.
John Hallman, en forskare på OpenAI, kommenterar: ”Generellt sett verkar proteinerna vara bättre än vad forskarna själva kunde producera.”
Skillnader mot andra AI-modeller
OpenAI:s tillvägagångssätt med GPT-4b Micro skiljer sig markant från Googles DeepMind AlphaFold. Istället för att fokusera på strukturella förutsägelser koncentrerar sig GPT-4b Micro på proteininteraktioner. Genom att träna på proteinkedjor och interaktionsdata föreslog modellen ändringar i Yamanakafaktorerna, vilket resulterade i proteiner som preliminära tester visar är 50 gånger mer effektiva vid skapandet av stamceller.
