OpenAI har utvecklat en AI-modell i samarbete med Retro Biosciences, för att ta itu med ineffektivitet i processen att omprogrammera vuxna celler till stamceller.
Tidiga resultat från laboratorietester tyder på att modellen, kallad GPT-4b Micro, kan förbättra effektiviteten hos Yamanaka-faktorer, proteiner som är avgörande för att skapa stamceller, med mer än 50 gånger, rapporterar MIT Technology Review.
Även om det inte är officiellt tillkännagav det här projektet OpenAI:s första stora steg in i biologisk forskning, och erbjuder nya möjligheter inom regenerativ medicin.
Samarbetet började för ungefär ett år sedan när Retro Biosciences närmade sig OpenAI. Startföretaget, baserat i San Francisco, fokuserar på att förlänga mänsklig livslängd med ett decennium genom framsteg inom cellulär omprogrammering.
Relaterat: Google DeepMind Open-Sources AlphaFold 3 till forskare
“Vi kastade in den här modellen i labbet omedelbart och vi fick verkliga resultat,”sa Joe Betts-Lacroix, VD för Retro Biosciences, i en diskussion som rapporterats av MIT Technology Review
Ineffektiviteten hos nuvarande metoder – där mindre än 1 % av cellerna är framgångsrika. omprogrammerad, som krävde veckors ansträngning – var en viktig motivation för detta samarbete. Potentialen att förbättra dessa resultat kunde påskynda utvecklingen av terapier riktade mot åldersrelaterade sjukdomar och vävnadsregenerering.
The Science Behind Yamanaka. Faktorer och deras utmaningar
Yamanaka-faktorer, uppkallade efter Nobelpristagaren Shinya Yamanaka, är proteiner som kan få mogna celler att återgå till ett pluripotent tillstånd, tillåter dem att omvandlas till vilken celltyp som helst
Denna omprogrammeringsprocess stöder framsteg inom regenerativ medicin, från att skapa ersättningsvävnader till att möjliggöra organregenerering. Trots deras löfte förblir processen ineffektiv, långsam och resurskrävande.
OpenAIs GPT-4b Micro tränades för att optimera prestandan för dessa proteiner. Genom att analysera proteinsekvenser och interaktionsdata över arter föreslår modellen betydande aminosyraförändringar för att förbättra proteinfunktionen.
“Allt över hela linjen verkar proteinerna bättre än vad forskarna kunde producera själva”, säger John Hallman, en OpenAI-forskare. Denna optimeringsnivå var upp till en tredjedel av ett proteins aminosyror kan modifieras, är utom räckhåll för traditionella metoder, som bygger på försök och misstag i labbet.
En unik tillämpning av AI i Bioteknik
GPT-4b Micro representerar ett distinkt förhållningssätt till AI-driven bioteknik Medan Google DeepMinds AlphaFold fokuserar på att förutsäga 3D-strukturer hos proteiner, vilket hjälper forskare att förstå molekylära interaktioner, GPT-4b Micro. är utformad för att förbättra proteinfunktionaliteten
Denna skillnad belyser de kompletterande rollerna som dessa AI-verktyg spelar ta itu med utmaningar inom biologisk forskning.
“Modellens idéer var ovanligt bra, vilket ledde till förbättringar jämfört med de ursprungliga Yamanaka-faktorerna i en betydande del av fallen,”förklarade Betts-Lacroix.
För att uppnå dessa resultat använde OpenAI-forskare en”få-shot”-inlärningsteknik, där AI-systemet styrs med ett litet antal exempel innan optimerade design genereras. Denna metod möjliggör snabb anpassning till specialiserade problem , till exempel omdesign av proteiner för förbättrad prestanda.
Samarbete med retrobiovetenskap och etiska överväganden
Grundades i 2021 fokuserar Retro Biosciences på att utveckla cellulära terapier och omprogrammeringstekniker som en del av sitt uppdrag att förlänga mänsklig livslängd
OpenAIs vd Sam Altman, en högljudd förespråkare för AI-driven vetenskaplig upptäckt, investerade personligen 180 miljoner dollar i Retro. , som understryker hans tro på potentialen i sådana samarbeten
Altman har tidigare sagt,”Superintelligenta verktyg skulle kunna påskynda vetenskaplig upptäckt och innovation mycket mer än vad vi kan göra på egen hand.”
Medan inga finansiella transaktioner inträffade mellan OpenAI och Retro Biosciences i detta partnerskap, är Altmans dubbla roll som investerare och VD har granskats. OpenAI klargjorde att Altman inte var direkt involverad i utvecklingen av GPT-4b Micro, och betonade projektets fokus på att föra fram vetenskaplig kunskap snarare än att anpassa sig till något specifikt kommersiellt intresse.
Denna transparens är avgörande när OpenAI navigerar sin växande roll inom områden bortom AI för allmänna ändamål.
Konsekvenser för regenerativ medicin
De framsteg som möjliggörs av GPT-4b Micro har potential att ta itu med några av de mest pressande utmaningarna inom regenerativ medicin. Förbättrade Yamanaka-faktorer kan bana väg för effektivare organregenerering, personliga cellterapier och utveckling av konstgjorda vävnader.
Harvard Universitys åldrandeforskare Vadim Gladyshev, en rådgivare till Retro Biosciences, lyfte fram de bredare konsekvenserna:”[Hudceller] är lätta att programmera om, men andra celler är det inte,”sa han.”Och att göra det i en ny art – det är ofta extremt annorlunda och du får ingenting.”
OpenAI och Retro Biosciences planerar att publicera sina resultat i peer-reviewed tidskrifter, vilket ger det vetenskapliga samfundet en möjlighet att validera och bygga vidare på denna forskning. Medan GPT-4b Micro för närvarande är en forskningsdemonstration och inte tillgänglig för kommersiellt bruk, belyser dess resultat den transformativa potentialen hos AI-drivna tillvägagångssätt inom bioteknik.
AlphaFold och AIs roll i vetenskaplig upptäckt
OpenAIs arbete med GPT-4b Micro kompletterar de senaste framstegen inom AI-driven biologi, såsom DeepMinds AlphaFold 3, som nyligen var öppen källkod för icke-kommersiell forskning.
AlphaFold har revolutionerat strukturbiologin genom att exakt förutsäga formerna på proteiner, vilket möjliggör genombrott inom läkemedelsupptäckt och sjukdomsforskning. Däremot fokuserar GPT-4b Micro på funktionell optimering och tar itu med ineffektivitet som hindrar den praktiska tillämpningen av proteinomprogrammering.
