OpenAI har utviklet en AI-modell i samarbeid med Retro Biosciences, for å adressere ineffektivitet i prosessen med å omprogrammere voksne celler til stamceller.
Tidlige resultater fra laboratorietester indikerer at modellen, kalt GPT-4b Micro, kan forbedre effektiviteten til Yamanaka-faktorer, proteiner som er kritiske for stamcelledannelse, med mer enn 50 ganger, rapporterer MIT Technology Review.
Selv om det ikke er offisielt annonsert, demonstrerer dette prosjektet OpenAIs første store skritt inn i biologisk forskning, og tilbyr nye muligheter innen regenerativ medisin.
Samarbeidet begynte for omtrent et år siden da Retro Biosciences nærmet seg OpenAI. Oppstarten, basert i San Francisco, fokuserer på å forlenge menneskelig levetid med et tiår gjennom fremskritt innen mobil omprogrammering.
Relatert: Google DeepMind Open-Sources AlphaFold 3 til forskere
“Vi kastet denne modellen inn i laboratoriet umiddelbart og vi fikk resultater fra den virkelige verden,”sa Joe Betts-Lacroix, administrerende direktør i Retro Biosciences, i en diskusjon rapportert av MIT Technology Review
Ineffektiviteten til dagens metoder – der mindre enn 1 % av cellene er vellykket. omprogrammert, som krever uker med innsats – var en nøkkelmotivasjon for dette samarbeidet Potensialet til å forbedre disse resultatene kunne akselerere utviklingen av terapier rettet mot aldersrelaterte sykdommer og vevsregenerering.
Vitenskapen bak Yamanaka. Faktorer og deres utfordringer
Yamanaka-faktorer, oppkalt etter nobelprisvinneren Shinya Yamanaka, er proteiner som er i stand til å indusere modne celler til å gå tilbake til en pluripotent tilstand, slik at de kan transformeres til en hvilken som helst celletype
Denne omprogrammeringsprosessen underbygger fremskritt innen regenerativ medisin, fra å lage erstatningsvev til å muliggjøre organregenerering. Til tross for løftet deres, forblir prosessen ineffektiv, langsom og ressurskrevende.
OpenAIs GPT-4b Micro ble opplært til å optimalisere ytelsen til disse proteinene. Ved å analysere proteinsekvenser og interaksjonsdata på tvers av arter, foreslår modellen betydelige aminosyreendringer for å forbedre proteinfunksjonen.
“Ganske over hele linja virker proteinene bedre enn hva forskerne var i stand til å produsere selv,”sa John Hallman, en OpenAI-forsker. Dette optimaliseringsnivået, hvor opptil en tredjedel av et protein aminosyrer kan bli modifisert, er utenfor rekkevidden av tradisjonelle metoder, som er avhengige av prøving-og-feil-eksperimenter i laboratoriet.
En unik anvendelse av AI i Bioteknologi
GPT-4b Micro representerer en distinkt tilnærming til AI-drevet bioteknologi Mens Google DeepMinds AlphaFold fokuserer på å forutsi 3D-strukturene til proteiner, og hjelper forskere med å forstå molekylære interaksjoner, GPT-4b Micro. er designet for å forbedre proteinfunksjonaliteten
Denne forskjellen fremhever de komplementære rollene disse AI-verktøyene spiller i adressering av utfordringer innen biologisk forskning.
“Modellens ideer var uvanlig gode, noe som førte til forbedringer i forhold til de opprinnelige Yamanaka-faktorene i en betydelig del av tilfellene,”forklarte Betts-Lacroix.
For å oppnå disse resultatene brukte OpenAI-forskere en «få skudd»-læringsteknikk, der AI-systemet veiledes med et lite antall eksempler før de genererer optimaliserte design. Denne metoden gir rask tilpasning til spesialiserte problemer , for eksempel redesign av proteiner for forbedret ytelse.
Samarbeid med retrobiovitenskap og etiske hensyn
Grunnet i I 2021 fokuserer Retro Biosciences på å fremme cellulære terapier og omprogrammeringsteknikker som en del av sitt oppdrag for å forlenge menneskelig levetid. , som understreker hans tro på potensialet i slike samarbeid
Altman har tidligere uttalt,”Superintelligente verktøy kan massivt akselerere vitenskapelig oppdagelse og innovasjon langt utover det vi er i stand til å gjøre på egen hånd.”
Selv om det ikke skjedde noen økonomiske transaksjoner mellom OpenAI og Retro Biosciences i dette partnerskapet, Altmans doble rolle som investor og administrerende direktør har trukket gransking. OpenAI presiserte at Altman ikke var direkte involvert i utviklingen av GPT-4b Micro, og understreket prosjektets fokus på å fremme vitenskapelig kunnskap i stedet for å tilpasse seg noen spesifikk kommersiell interesse.
Denne åpenheten er avgjørende ettersom OpenAI navigerer sin voksende rolle på felt utenfor AI for generell bruk.
Implikasjoner for regenerativ medisin
Fremskrittene som er muliggjort av GPT-4b Micro har potensial til å løse noen av de mest presserende utfordringene innen regenerativ medisin. Forbedrede Yamanaka-faktorer kan bane vei for mer effektiv organregenerering, tilpassede celleterapier og utvikling av kunstig vev.
Harvard Universitys aldringsforsker Vadim Gladyshev, en rådgiver for Retro Biosciences, fremhevet de bredere implikasjonene: «[Hudceller] er enkle å omprogrammere, men andre celler er det ikke,» sa han. «Og å gjøre det i en ny art – det er ofte ekstremt forskjellig, og du får ingenting.”
OpenAI og Retro Biosciences planlegger å publisere funnene sine i fagfellevurderte tidsskrifter, som gir det vitenskapelige samfunnet en mulighet til å validere og bygge videre på denne forskningen. Mens GPT-4b Micro for tiden er en forskningsdemonstrasjon og ikke tilgjengelig for kommersiell bruk, fremhever resultatene det transformative potensialet til AI-drevne tilnærminger innen bioteknologi.
AlphaFold og rollen til AI i vitenskapelig oppdagelse
OpenAIs arbeid med GPT-4b Micro utfyller nyere fremskritt innen AI-drevet biologi, slik som DeepMinds AlphaFold 3, som nylig ble åpnet for ikke-kommersiell forskning.
AlphaFold har revolusjonert strukturbiologien ved nøyaktig å forutsi formene til proteiner, noe som muliggjør gjennombrudd innen medikamentoppdagelse og sykdomsforskning. Derimot fokuserer GPT-4b Micro på funksjonell optimalisering, og adresserer ineffektivitet som hindrer den praktiske anvendelsen av proteinomprogrammering.
