OpenAI telah membangunkan model AI dengan kerjasama Retro Biosciences, untuk menangani ketidakcekapan dalam proses memprogram semula sel dewasa ke dalam sel stem.
Keputusan awal daripada ujian makmal menunjukkan bahawa model, yang digelar GPT-4b Micro, boleh meningkatkan kecekapan faktor Yamanaka, protein yang penting untuk penciptaan sel stem, sebanyak lebih daripada 50 kali ganda, lapor MIT Technology Review.
Walaupun tidak diumumkan secara rasmi, projek ini menunjukkan langkah besar pertama OpenAI ke dalam penyelidikan biologi, menawarkan kemungkinan baharu dalam perubatan regeneratif.
Kerjasama bermula kira-kira setahun yang lalu apabila Retro Biosciences menghampiri OpenAI. Permulaan, yang berpangkalan di San Francisco, menumpukan pada memanjangkan jangka hayat manusia selama sedekad melalui kemajuan dalam pengaturcaraan semula selular.
Berkaitan: Google DeepMind Open-Sources AlphaFold 3 kepada Penyelidik
“Kami melemparkan model ini ke dalam makmal serta-merta dan kami mendapat keputusan dunia sebenar,”kata Joe Betts-Lacroix, Ketua Pegawai Eksekutif Retro Biosciences, dalam perbincangan yang dilaporkan oleh MIT Technology Review
Ketidakcekapan kaedah semasa—di mana kurang daripada 1% sel berjaya diprogramkan semula. memerlukan usaha berminggu-minggu—adalah motivasi utama untuk kerjasama ini Potensi untuk meningkatkan hasil ini boleh mempercepatkan pembangunan terapi yang menyasarkan penyakit berkaitan usia dan penjanaan semula tisu.
Sains Di Sebalik Faktor Yamanaka dan. Cabaran Mereka
Yamanaka faktor, dinamakan sempena pemenang Hadiah Nobel Shinya Yamanaka, adalah protein yang mampu mendorong sel matang untuk kembali kepada keadaan pluripoten, membolehkan mereka berubah menjadi sebarang jenis sel
Proses pengaturcaraan semula ini menyokong kemajuan dalam penjanaan semula perubatan, daripada mencipta tisu gantian kepada membolehkan penjanaan semula organ. Walaupun dijanjikan, proses itu kekal tidak cekap, perlahan dan intensif sumber.
GPT-4b Micro OpenAI telah dilatih untuk mengoptimumkan prestasi protein ini. Dengan menganalisis urutan protein dan data interaksi merentas spesies, model ini mencadangkan perubahan asid amino yang besar untuk meningkatkan fungsi protein.
“Secara keseluruhannya, protein kelihatan lebih baik daripada yang dapat dihasilkan oleh saintis sendiri,”kata John Hallman, seorang penyelidik OpenAI. Tahap pengoptimuman ini, di mana sehingga satu pertiga daripada protein asid amino mungkin diubah suai, berada di luar jangkauan kaedah tradisional, yang bergantung pada eksperimen percubaan dan kesilapan dalam makmal.
Aplikasi Unik AI dalam Bioteknologi
GPT-4b Micro mewakili pendekatan yang berbeza kepada bioteknologi dipacu AI Sementara AlphaFold Google DeepMind memfokuskan pada meramalkan struktur 3D protein, membantu penyelidik memahami interaksi molekul, GPT-4b Micro. direka untuk meningkatkan fungsi protein
Perbezaan ini menyerlahkan peranan pelengkap yang dimainkan oleh alat AI ini dalam menangani cabaran dalam biologi. penyelidikan.
“Idea model itu luar biasa bagus, membawa kepada penambahbaikan ke atas faktor Yamanaka asal dalam sebahagian besar kes,”jelas Betts-Lacroix.
Untuk mencapai hasil ini, penyelidik OpenAI menggunakan teknik pembelajaran”beberapa pukulan”, di mana sistem AI dipandu dengan sejumlah kecil contoh sebelum menjana reka bentuk yang dioptimumkan. Kaedah ini membolehkan penyesuaian pantas kepada masalah khusus , seperti mereka bentuk semula protein untuk prestasi yang lebih baik.
Kerjasama dengan Retro Biosains dan Pertimbangan Etika
Ditubuhkan di 2021, Retro Biosciences menumpukan pada memajukan terapi selular dan teknik pengaturcaraan semula sebagai sebahagian daripada misinya untuk memanjangkan jangka hayat manusia
Ketua Pegawai Eksekutif OpenAI Sam Altman, penyokong vokal penemuan saintifik dipacu AI, melabur secara peribadi $180 juta dalam Retro. , menekankan kepercayaannya terhadap potensi kerjasama tersebut
Altman sebelum ini telah menyatakan, “Alat yang sangat pintar boleh mempercepatkan penemuan dan inovasi saintifik secara besar-besaran melebihi apa yang kita mampu lakukan sendiri.”
Walaupun tiada transaksi kewangan berlaku antara OpenAI dan Retro Biosciences dalam perkongsian ini, peranan dwi Altman sebagai pelabur dan Ketua Pegawai Eksekutif telah membuat penelitian. OpenAI menjelaskan bahawa Altman tidak terlibat secara langsung dalam pembangunan GPT-4b Micro, menekankan fokus projek itu untuk memajukan pengetahuan saintifik dan bukannya menyelaraskan dengan mana-mana kepentingan komersial tertentu.
Ketelusan ini penting kerana OpenAI mengemudi peranannya yang semakin berkembang dalam bidang melangkaui AI tujuan umum.
Implikasi untuk Perubatan Regeneratif
Kemajuan yang didayakan oleh GPT-4b Micro berpotensi untuk menangani beberapa cabaran paling mendesak dalam perubatan regeneratif. Faktor Yamanaka yang dipertingkatkan boleh membuka jalan untuk penjanaan semula organ yang lebih cekap, terapi sel yang diperibadikan dan pembangunan tisu tiruan.
Penyelidik penuaan Universiti Harvard Vadim Gladyshev, penasihat kepada Retro Biosciences, menekankan implikasi yang lebih luas:”[Sel kulit] mudah untuk memprogram semula, tetapi sel lain tidak,”katanya.”Dan untuk melakukannya dalam spesies baharu—ia selalunya sangat berbeza dan anda tidak mendapat apa-apa.”
OpenAI dan Retro Biosciences merancang untuk menerbitkan penemuan mereka dalam jurnal semakan rakan sebaya, memberikan komuniti saintifik peluang untuk mengesahkan dan membina penyelidikan ini. Walaupun GPT-4b Micro pada masa ini merupakan demonstrasi penyelidikan dan tidak tersedia untuk kegunaan komersil, keputusannya menyerlahkan potensi transformatif pendekatan dipacu AI dalam bioteknologi.
AlphaFold dan Peranan AI dalam Penemuan Saintifik
Kerja OpenAI pada GPT-4b Micro melengkapkan kemajuan terkini dalam biologi dipacu AI, seperti DeepMind’s AlphaFold 3, yang baru-baru ini sumber terbuka untuk penyelidikan bukan komersial.
AlphaFold telah merevolusikan biologi struktur dengan meramalkan bentuk protein dengan tepat, membolehkan terobosan dalam penemuan ubat dan penyelidikan penyakit. Sebaliknya, GPT-4b Micro memfokuskan pada pengoptimuman fungsi, menangani ketidakcekapan yang menghalang aplikasi praktikal pengaturcaraan semula protein.
