OpenAI on luonut kielimallin, joka tuottaa proteiineja muuttaakseen tavalliset solut kantasoluiksi, ylittäen ihmisten ponnistelut tällä alalla. Tämä kehitys on yrityksen ensimmäinen biologisiin tietoihin keskittyvä hanke ja merkkii sen ensimmäistä julkista väitettä siitä, että tekoäly voi tuottaa odottamattomia tieteellisiä edistysaskeleita, mikä on merkittävä virstanpylväs pyrkimyksissä kohti tekoälyn yleistä älykkyyttä (AGI). OpenAI:n toiminnanjohtaja Sam Altman on ilmaissut luottamusta yrityksensä kykyyn kehittää AGI:a, väittäen, että kehittyneet tekoälyt voisivat merkittävästi tehostaa tieteellistä innovointia. Tämä proteiiniteollisuusaloite alkoi, kun San Franciscossa sijaitseva pitkäikäistutkimusyritys Retro Biosciences etsii yhteistyötä OpenAI:n kanssa. Huomionarvoista on, että Altman on investoinut 180 miljoonaa dollaria Retroon. Retron tavoitteena on pidentää ihmisten elinikää kymmenellä vuodella tutkimalla Yamanakan tekijöitä - proteiineja, jotka voivat palauttaa ihosolut kantasolumaiseksi tilaksi, kykenemään muuttumaan melkein minkä tahansa kudostyypin. Kuitenkin nykyiset menetelmät solujen uudelleenohjaamiseksi ovat tehottomia, ja niiden onnistumisprosentti on alle 1 %. Uusi malli, GPT-4b micro, kehitettiin parantamaan Yamanakan tekijöiden tehokkuutta. Varhaiset tulokset osoittavat, että mallin muutokset ovat tehneet näistä tekijöistä yli 50 kertaa tehokkaampia. OpenAI:n tutkijat, mukaan lukien John Hallman ja Aaron Jaech, johtavat tätä aloitetta.

Vaikka löydöksiä odotetaan julkaistavaksi, mallin käyttö on toistaiseksi rajoitettu demonstraatiotarkoituksiin. Toisin kuin Googlen AlphaFold, joka ennustaa proteiinirakenteita, GPT-4b:ta on koulutettu monipuolisilla proteiinisekvensseillä ja niiden vuorovaikutuksilla. Retron tutkijat käyttivät mallia ehdottaakseen Yamanaka-proteiinien uudistuksia, käyttäen kehysmenetelmää, joka muistuttaa "few-shot" -oppimista. Vaikka perinteisessä geeniteknologiassa on rajoituksia testattavien variaatioiden määrälle, OpenAI:n malli ehdottaa usein valtavaa määrää muutoksia kerralla. Varhaiset tulokset Retrolta ovat vahvistaneet, että malli tarjoaa erittäin tehokkaita suunnitelmia. Ikääntyvä tutkija Harvardista korosti kantasolutuotannon optimoinnin tärkeyttä erityisesti vaativille solutyypeille ja lajeille. Kuitenkin GPT-4b:n johtopäätösten tarkka metodologia on epäselvä, muistuttaen muiden tekoälymallien monimutkaisuutta. Vaikka OpenAI ilmoittaa, ettei yhteistyössä ollut taloudellisia vaihdoksia, yhteistyö Retron kanssa, joka hyötyy Altmanin tuesta, herättää kysymyksiä mahdollisista eturistiriidoista. Altmanin muut investoinnit teknologiayrityksiin ovat synnyttäneet huolta avoimuudesta ja konflikteista OpenAI:n toiminnassa. Siitä huolimatta OpenAI väittää, että sen päätöksenteko on riippumatonta Altmanin henkilökohtaisista investoinneista.