Профессор иммунологии использовал новую языковую модель для анализа старых данных. Алгоритм не только нашел причину аномального поведения клеток, но и предсказал результаты неопубликованного эксперимента.
3 мин
В конце 2025 года произошло событие, которое наглядно демонстрирует переход искусственного интеллекта от роли продвинутого поисковика к статусу полноценного научного соавтора. Профессор иммунологии Дерья Унутмаз из Лаборатории Джексона и Университета Коннектикута с помощью модели GPT-5 Pro смог найти объяснение экспериментальным данным, которые ставили его команду в тупик на протяжении трех лет. Это открытие имеет прямое отношение к исследованиям рака, аутоиммунных и инфекционных заболеваний.
История началась в 2022 году. Унутмаз и его лаборатория изучали, как глюкоза влияет на развитие Т-клеток. Т-клетки — это важнейшие элементы иммунной системы, которые помогают организму бороться с вирусами, уничтожать раковые клетки и отличать здоровые ткани от угроз. В процессе развития эти клетки приобретают разную специализацию. Понимание того, что именно заставляет Т-клетку выбрать тот или иной путь развития, может стать ключом к созданию новых методов лечения тяжелых болезней.
Чтобы изучить влияние метаболизма глюкозы, исследователи поместили развивающиеся Т-клетки в две разные среды. Первая содержала низкий уровень обычной глюкозы. Вторая содержала молекулу под названием дезоксиглюкоза, которая блокирует способность клетки использовать глюкозу для выработки энергии и создания белков. Ученые ожидали получить схожие результаты, так как в обоих случаях клетки испытывали энергетический голод.
A near-autonomous AI chemist improves a challenging reaction
Однако результаты оказались неожиданными. Клетки, подвергшиеся воздействию дезоксиглюкозы, в подавляющем большинстве превратились в клетки воспалительного ответа. В среде с низким содержанием обычной глюкозы такого массового эффекта не наблюдалось. Причину этой аномалии объяснить не удалось, и эксперимент был отложен в долгий ящик.
Ситуация изменилась с выходом GPT-5 Pro. Унутмаз загрузил результаты старого эксперимента в систему и попросил проанализировать данные. Модель пришла к выводу, что дезоксиглюкоза вмешивается в процесс создания специфического белка IL-2. В нормальных условиях этот белок работает как барьер, не давая Т-клеткам превращаться в воспалительные клетки типа Th17. Дезоксиглюкоза фактически убрала этот барьер.
Вывод оказался абсолютно логичным с биологической точки зрения, но лежал чуть в стороне от узкой экспертизы самого профессора и его команды. Чтобы проверить реальные возможности модели, Унутмаз попросил ее симулировать другой эксперимент, результаты которого еще не были опубликованы. GPT-5 Pro абсолютно точно предсказал, что определенный тип Т-клеток (CD8+) покажет повышенную способность уничтожать клетки лимфомы.
LifeSciBench 1x1
Этот случай иллюстрирует новую парадигму научных исследований. Большие языковые модели (LLM) становятся инструментами для сужения пространства гипотез. Вместо того чтобы тратить месяцы на проверку десятков возможных подходов в лаборатории, ученые могут использовать ИИ для симуляции экспериментов и выбора наиболее перспективных направлений.
При этом критически важным остается глубокое знание предметной области. Без фундаментального опыта Унутмаза было бы невозможно оценить, имеет ли предложенный машиной механизм биологический смысл. Алгоритм предлагает гипотезы, но верификация остается за человеком.
Ускорение исследований в биологии несет и определенные риски. Те же инструменты, которые помогают искать лекарства от рака, могут снизить порог входа для создания биологических угроз. Именно поэтому разработчикам приходится внедрять строгие системы оценки рисков, подобные OpenAI Preparedness Framework, чтобы сбалансировать научный прогресс и безопасность.
Production Resampling > Art Card
Языковые модели способны находить неочевидные связи в сложных биологических данных, выступая в роли интеллектуального партнера для ученых.
Главная ценность ИИ в современной науке — не генерация новых данных, а симуляция экспериментов для отсеивания тупиковых гипотез, что экономит годы лабораторной работы.
