Создана нейросеть для замедления старения и омоложения клеток: подробности от OpenAI
OpenAI объявила о разработке новой модели ИИ для создания белков, которая способна существенно ускорить научные открытия, сообщает журнал MIT Technology Review. Этот проект стал первым опытом компании в работе с биологическими данными. Модель, названная GPT-4b micro, помогла улучшить эффективность факторов Яманаки — белков, способных превращать обычные клетки в стволовые, которые используются для омоложения тканей и создания органов.
Что такое факторы Яманаки?
Это особые белки, которые могут перепрограммировать клетки, возвращая их в «молодое» состояние. Однако процесс занимает недели, и успех достигается менее чем в 1% случаев. OpenAI с помощью своей модели предложила изменения в структуре этих белков, увеличив их эффективность более чем в 50 раз по сравнению с тем, что предлагали люди.
Новая модель обучена анализировать последовательности белков, представляющие собой цепочки аминокислот, — своеобразные «буквы» в языке биологии. Используя данные о взаимодействиях белков, ИИ предлагал, какие изменения в структуре улучшат их функции.
Почему это важно?
Стволовые клетки играют ключевую роль в медицине, но их создание остается крайне сложным. Модель OpenAI ускоряет процесс поиска улучшений для факторов Яманаки, значительно опережая человеческие методы. Это открывает перспективы в омоложении клеток, создании тканей для трансплантации и даже продлении жизни.
Работа началась в сотрудничестве с компанией Retro Biosciences, которая изучает методы продления жизни. Retro уже проверила предложения GPT-4b micro в лаборатории, подтвердив, что многие из них значительно улучшили исходные белки.
GPT-4b micro отличается от других ИИ, который предсказывает формы белков. Новая модель сосредоточена на создании модификаций и предоставляет ученым оригинальные идеи, которые трудно получить вручную.
Результаты еще предстоит проверить независимым ученым, и модель пока недоступна для широкой аудитории. Тем не менее, это демонстрирует потенциал ИИ в решении сложных научных задач. Важно отметить, что пока не ясно, каким образом модель приходит к своим выводам, что делает процесс похожим на работу шахматного гроссмейстера, выигрывающего партию, но не всегда способного объяснить свои решения.
