10 сентября 2026 года OpenAI рассказала о работе лаборатории Сезара де ла Фуэнте, которая ищет потенциальные антимикробные молекулы в геномных и белковых данных. ChatGPT и Codex помогают с кодом, подготовкой данных и обсуждением гипотез. Это помощь на раннем этапе исследования, а не создание готового лекарства одним запросом.
Разные модели решают разные задачи
У лаборатории есть собственные модели глубокого обучения для поиска закономерностей в биологических последовательностях. Они помогают выделить кандидатов среди большого числа вариантов.
ChatGPT и Codex используются рядом с этим процессом: для программирования, обработки наборов данных, анализа результатов и знакомства с методами других дисциплин. Приписывать языковой модели весь результат специализированного поиска было бы неправильно.
В междисциплинарной команде это полезно вполне практически. Биологу проще подготовить программу, а программисту разобраться в терминах биологии. Но правдоподобное объяснение всё равно требует проверки специалистом.
Кандидат ещё не является лекарством
Найденную молекулу сначала нужно проверить на целевом микроорганизме, определить действующую концентрацию и влияние на человеческие клетки. Затем могут потребоваться изменения структуры ради безопасности, устойчивости или эффективности.
Дальше остаются токсичность, развитие устойчивости, поведение вещества в организме и способ производства. Даже прохождение этих этапов не заменяет клинические исследования и регуляторную оценку.
Поэтому сокращение времени первичного поиска нельзя переносить на весь срок разработки препарата. Ускорение обработки данных не ускоряет автоматически каждую экспериментальную и клиническую стадию.
Где нужен контроль качества данных
Для программной части важны происхождение последовательностей, формат, удаление дублей и воспроизводимость обработки. Ошибка в подготовке набора может незаметно повлиять на весь последующий анализ.
Агенту полезно поручать ограниченные этапы с проверяемым результатом: загрузку открытого набора, преобразование формата или построение графика. Перед использованием результата нужно проверить, что не потерялись записи и не изменился смысл меток.
Для самой гипотезы решающими остаются измерения. Авторы материала отдельно подчёркивают необходимость экспериментов для проверки предсказаний ИИ.
Кейс показывает не автоматическое изобретение антибиотика, а помощь исследователю в работе с большим объёмом данных и кода. Ценность появляется, когда эта помощь встроена в воспроизводимый процесс и заканчивается проверкой в лаборатории.
Другой лабораторный сценарий разобран в статье про Codex и сверхпроводящие кубиты.
