Tu suis la course aux modèles IA ?
Chaque sortie (GPT, Claude, Gemini, Mistral…) décryptée le soir même, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Introduction de GPT-Rosalind pour la recherche en sciences de la vie
OpenAI a récemment introduit GPT-Rosalind, un modèle d'intelligence artificielle avancé spécifiquement conçu pour soutenir la recherche en biologie, la découverte de médicaments et la médecine translationnelle. Cette série de modèles en sciences de la vie est optimisée pour les flux de travail scientifiques, combinant une utilisation améliorée des outils avec une compréhension approfondie de la chimie, de l'ingénierie des protéines et de la génomique.
Le développement d'un nouveau médicament, depuis la découverte d'une cible jusqu'à son approbation réglementaire, prend généralement entre 10 et 15 ans aux États-Unis. Les avancées réalisées lors des premières étapes de la découverte se traduisent par une meilleure sélection des cibles, des hypothèses biologiques plus solides et des expériences de meilleure qualité. Les progrès en sciences de la vie sont freinés non seulement par la complexité de la science sous-jacente, mais aussi par la complexité des flux de travail de recherche eux-mêmes. Les scientifiques doivent naviguer à travers de vastes quantités de littérature, de bases de données spécialisées, de données expérimentales et d'hypothèses évolutives pour générer et évaluer de nouvelles idées. Ces flux de travail sont souvent chronophages, fragmentés et difficiles à mettre à l'échelle.
Améliorer l'efficacité des chercheurs
OpenAI croit que les systèmes d'IA avancés peuvent aider les chercheurs à naviguer plus rapidement dans ces flux de travail, non seulement en rendant le travail existant plus efficace, mais aussi en aidant les scientifiques à explorer davantage de possibilités, à faire ressortir des connexions qui pourraient autrement être manquées, et à arriver à de meilleures hypothèses plus rapidement. En soutenant la synthèse des preuves, la génération d'hypothèses, la planification expérimentale et d'autres tâches de recherche en plusieurs étapes, ce modèle est conçu pour aider les chercheurs à accélérer les premières étapes de la découverte. Au fil du temps, ces systèmes pourraient aider les organisations en sciences de la vie à découvrir des percées qui ne seraient autrement pas possibles, avec un taux de succès beaucoup plus élevé.
Disponibilité et accès
GPT-Rosalind est maintenant disponible en tant que préversion de recherche dans ChatGPT, Codex et l'API pour les clients qualifiés via notre programme d'accès de confiance. Nous introduisons également un plugin de recherche en sciences de la vie accessible gratuitement pour Codex, aidant les scientifiques à connecter des modèles à plus de 50 outils scientifiques et sources de données. Nous travaillons avec des clients tels qu'Amgen, Moderna, l'Allen Institute, Thermo Fisher Scientific, et d'autres pour appliquer GPT-Rosalind à travers des flux de travail qui accélèrent la recherche et la découverte.
Le modèle est nommé d'après Rosalind Franklin, dont la recherche rigoureuse a contribué à révéler la structure de l'ADN et a jeté les bases de la biologie moléculaire moderne.
Conçu pour les flux de travail scientifiques
La série de modèles en sciences de la vie GPT-Rosalind est conçue pour le travail scientifique moderne à travers les preuves publiées, les données, les outils et les expériences. Dans nos évaluations, elle offre les meilleures performances sur des tâches nécessitant un raisonnement sur les molécules, les protéines, les gènes, les voies biologiques et la biologie pertinente aux maladies. Elle est également plus efficace dans l'utilisation des outils scientifiques et des bases de données dans des flux de travail en plusieurs étapes tels que la revue de littérature, l'interprétation séquence-fonction, la planification expérimentale et l'analyse de données.
Ceci est la première version de notre série de modèles en sciences de la vie GPT-Rosalind, et nous continuerons d'élargir les frontières des capacités de raisonnement biochimique du modèle à travers des flux de travail scientifiques complexes et riches en outils. L'infrastructure de calcul d'OpenAI nous permet de continuer à former, évaluer et améliorer des modèles de domaine de plus en plus capables face à des tâches scientifiques réelles, aidant ces systèmes à devenir plus utiles à mesure que les flux de travail eux-mêmes deviennent plus complexes.
Clients et écosystème
Nous travaillons avec des leaders de l'industrie pharmaceutique, des biotechnologies, des clients de recherche, ainsi que des organisations technologiques en sciences de la vie, pour appliquer le modèle en sciences de la vie à travers les flux de travail qui conduisent à la découverte, allant du raisonnement biologique à la synthèse des preuves, en passant par la planification expérimentale et la recherche translationnelle.
"Le domaine des sciences de la vie exige de la précision à chaque étape. Les questions sont hautement complexes, les données sont très uniques et les enjeux sont incroyablement élevés. Notre collaboration unique avec OpenAI nous permet d'appliquer leurs capacités et outils les plus avancés de manière nouvelle et innovante, avec le potentiel d'accélérer la manière dont nous livrons des médicaments aux patients." — Sean Bruich, Vice-Président Senior de l'Intelligence Artificielle et des Données, Amgen
Performance et évaluation
Nous avons évalué GPT-Rosalind sur une gamme de capacités fondamentales à la découverte scientifique et à la recherche industrielle. Ces évaluations mesurent le raisonnement de base à travers des sous-domaines scientifiques, y compris les mécanismes de réaction chimique, la structure des protéines, les effets des mutations et les interactions, ainsi que l'interprétation phylogénétique des séquences d'ADN. Elles évaluent également si les modèles peuvent soutenir de véritables flux de travail de recherche en interprétant les résultats expérimentaux, en identifiant des motifs pertinents pour les experts et en synthétisant des informations externes pour concevoir des expériences de suivi. Enfin, elles testent si les modèles peuvent sélectionner et utiliser les bons outils informatiques, bases de données et capacités spécifiques au domaine pour améliorer leur raisonnement. Ensemble, ces évaluations montrent des progrès dans le processus de recherche scientifique de bout en bout et suggèrent une capacité renforcée à aider les chercheurs à surmonter des tâches de découverte difficiles.
Connexion aux outils utilisés par les scientifiques
Les scientifiques peuvent utiliser notre nouveau plugin de recherche en sciences de la vie pour Codex, disponible dès aujourd'hui sur GitHub. Ce package comprend un large éventail de compétences modulaires pour la plupart des flux de travail de recherche courants, conçu pour aider les utilisateurs à travailler à travers la génétique humaine, la génomique fonctionnelle, la structure des protéines, la biochimie, les preuves cliniques et la découverte d'études publiques.
Ces compétences agissent comme une couche d'orchestration qui aide les scientifiques à traiter des questions larges, ambiguës et en plusieurs étapes plus efficacement. Elles offrent un accès à plus de 50 bases de données multi-omiques publiques, sources de littérature et outils biologiques, et fournissent un point de départ flexible pour des flux de travail répétables courants tels que la recherche de structure de protéines, la recherche de séquences, la revue de littérature et la découverte de jeux de données publics.
Les utilisateurs d'Enterprise éligibles peuvent tirer parti de ce plugin dans les flux de travail de recherche avec GPT-Rosalind pour un raisonnement biologique plus approfondi, tandis que tous les utilisateurs peuvent utiliser le package de plugin avec nos modèles principaux.
Accès de confiance
Nous souhaitons rendre ces capacités disponibles aux scientifiques et organisations de recherche les mieux placés pour faire progresser la santé humaine, tout en maintenant de solides garanties contre les abus biologiques. Le modèle en sciences de la vie est lancé à travers une structure de déploiement à accès de confiance pour les clients Enterprise qualifiés aux États-Unis, avec des contrôles autour de l'éligibilité, de la gestion des accès et de la gouvernance organisationnelle. En même temps, nous mettons à disposition un ensemble de connecteurs et le plugin de recherche en sciences de la vie plus largement, afin que les chercheurs puissent utiliser nos modèles principaux plus efficacement pour les tâches de recherche en sciences de la vie.
Le modèle en sciences de la vie a été développé avec des contrôles de sécurité de niveau entreprise renforcés et une gestion des accès améliorée, permettant une utilisation scientifique professionnelle dans des environnements de recherche régulés. Nous évaluons l'accès sur la base de trois principes fondamentaux : utilisation bénéfique, gouvernance solide et supervision de la sécurité, et accès contrôlé avec des mesures de sécurité de niveau entreprise. En pratique, cela signifie que les organisations participantes doivent mener des recherches scientifiques légitimes avec un bénéfice public clair ; maintenir une gouvernance appropriée, une conformité et des contrôles de prévention des abus ; et restreindre l'accès aux utilisateurs approuvés dans des environnements sécurisés et bien gérés. Les organisations doivent également accepter les termes de préversion de recherche en sciences de la vie et se conformer aux politiques d'utilisation d'OpenAI, et nous pouvons demander des informations supplémentaires dans le cadre de l'intégration ou de la participation continue.
Pour commencer
Les organisations peuvent demander un accès à travers notre processus de qualification et d'examen de sécurité. Pendant la préversion de recherche, l'utilisation de ce modèle ne consommera pas de crédits ou de jetons existants, sous réserve de garde-fous contre les abus. Nous partagerons plus de détails sur les prix et la disponibilité à mesure que le programme évolue.
