OpenAI’s GPT-5 opnår gennembrud i biologisk forskning med 79 gange mere effektiv DNA-kloning
OpenAI har offentliggjort resultater fra et banebrydende eksperiment, hvor deres nyeste AI-model GPT-5 selvstændigt har optimeret en fundamental molekylærbiologisk proces og forbedret effektiviteten med hele 79 gange.
I et samarbejde med biosikkerhedsvirksomheden Red Queen Bio har OpenAI demonstreret, hvordan avanceret kunstig intelligens kan accelerere praktisk laboratorieforskning – ikke blot gennem teoretisk analyse, men ved at foreslå og iterere på konkrete eksperimentelle protokoller.
Autonomt AI-system forbedrer DNA-kloning
Eksperimentet fokuserede på at optimere en såkaldt Gibson assembly-reaktion, en udbredt metode til at “lime” DNA-stykker sammen, som har været standard siden 2009. Over flere eksperimentrunder foreslog GPT-5 selvstændigt modificerede protokoller, som menneskelige forskere derefter udførte i laboratoriet.
Det bemærkelsesværdige resultat var, at AI’en udviklede en helt ny mekanisme kaldet RAPF (RecA-Assisted Pair-and-Finish HiFi Assembly), som introducerer to enzymer – recombinase RecA fra E. coli-bakterier og phage T4 gen 32 protein (gp32) – der arbejder sammen på en hidtil uudnyttet måde.
“Gp32 virker som en kam, der glatter og udfiltre de løse DNA-ender, mens RecA fungerer som en guide, der søger efter den korrekte partner for hver streng og trækker de matchende stykker sammen,” forklarer forskerne i deres rapport.
Standardiseret proces uden menneskelig indblanding
Et centralt element i eksperimentet var, at GPT-5 arbejdede med standardiserede prompts uden menneskelig vejledning ud over afklarende spørgsmål. Dette gjorde det muligt at tilskrive de nye mekanistiske indsigter direkte til AI’en snarere end til menneskelig ekspertise.
I hver runde foreslog modellen 8-10 forskellige reaktioner, som blev testet i laboratoriet. Data fra de bedst præsterende forsøg blev derefter indarbejdet i næste runde, hvilket skabte en evolutionær optimeringsproces.
Ud over den enzymatiske forbedring optimerede GPT-5 også transformationsprocessen – den proces, hvorved DNA introduceres i bakterier. Her fandt modellen en overraskende simpel løsning: at koncentrere cellerne ved at fjerne halvdelen af væsken før tilsætning af DNA, hvilket alene forbedrede effektiviteten mere end 30 gange.
Robotsystem automatiserer eksperimenter
For at øge gennemstrømningen udviklede Robot on Rails og Red Queen Bio et robotsystem, der kan tage imod klonningsprotokoller på almindeligt engelsk og udføre dem i laboratoriet.
Systemet kombinerer tre komponenter: en AI, der oversætter menneskeligt sprog til robothandlinger, et visionsystem der identificerer laboratorieudstyr, og en robotplanlægger der bestemmer, hvordan hver handling skal udføres sikkert.
I tests viste robotten sig at kunne udføre komplette kloningseksperimenter med resultater sammenlignelige med menneskelige forskere, selvom de absolutte tal stadig var lavere.
Implikationer for fremtidig forskning
“Vi tror, at disse eksperimenter giver et glimt af, hvordan fremtidens AI-accelererede videnskab vil se ud: modeller der kontinuerligt lærer og interagerer med den virkelige verden,” udtaler OpenAI.
Kloning er et fundamentalt molekylærbiologisk værktøj, og effektiviteten af kloningsmetoder er kritisk for at skabe store, komplekse biblioteker, der er centrale for proteinudvikling, genetiske screeninger og udvikling af organismer.
Biosikkerhedshensyn
OpenAI understreger, at arbejdet blev udført under streng kontrol med et ufarligt eksperimentelt system og begrænset opgaveomfang. Fremskridt inden for biologisk ræsonnement har biosikkerhedsimplikationer, og eksperimentet var designet til at informere OpenAI’s risikovurderinger og udvikling af sikkerhedsforanstaltninger.
Resultaterne viser, at AI-modeller kan ræsonnere i våde laboratorier for at forbedre protokoller, hvilket kan have konsekvenser for biosikkerhed som beskrevet i OpenAI’s Preparedness Framework.
Selvom resultaterne stadig er tidlige og kræver menneskelige forskere til at opsætte og køre protokollerne, demonstrerer eksperimenterne, at AI-systemer meningsfuldt kan assistere reelt laboratoriearbejde og potentielt accelerere menneskelige forskere i fremtiden.
