OpenAI presentó GPT-Rosalind — un modelo de IA para biología, genómica y desarrollo de fármacos

El 16 de abril, OpenAI presentó GPT-Rosalind—el primer modelo especializado de la empresa para life sciences, cubriendo tareas en la intersección de biología, farmacéutica y medicina aplicada. El modelo lleva el nombre en honor a Rosalind Franklin y está concebido no como sustituto de los científicos, sino como una herramienta para acelerar el aspecto más exigente del trabajo científico: revisión de literatura, verificación de datos, formulación de hipótesis y planificación de los próximos pasos. Para contextualizar, el camino desde identificar un nuevo objetivo de fármaco hasta la aprobación de la FDA normalmente lleva de 10 a 15 años.

OpenAI apuesta a que la IA puede acortar al menos las primeras etapas de este ciclo, donde los investigadores gastan enormes cantidades de tiempo en análisis, verificación de hechos y trabajo con fuentes fragmentadas. Según la descripción de la empresa, GPT-Rosalind está optimizado para procesos científicos que requieren razonamiento sobre química, proteínas, genes, vías biológicas y protocolos experimentales. A diferencia de los chatbots universales que pueden hacer un poco de todo, el enfoque aquí está en cadenas de investigación largas: reunir y comparar docenas de artículos, recuperar datos de bases de datos especializadas, interpretar resultados, proponer una hipótesis de trabajo y ayudar a planificar el siguiente experimento.

OpenAI enfatiza por separado que esto no es simplemente sobre generación de texto. El modelo debe ayudar a resumir la base de evidencia, generar hipótesis, planificar experimentos y analizar datos—en otras palabras, operar dentro del flujo de trabajo científico real, no solo responder preguntas en una ventana de chat. Junto con esto, lanzaron el plugin Life Sciences research para Codex.

El plugin proporciona acceso a más de 50 herramientas científicas, fuentes de literatura, bases de datos multi-ómicas y servicios biológicos. En la práctica, esto significa que un investigador puede ejecutar búsquedas de secuencias, ver estructuras de proteínas, reunir publicaciones, encontrar conjuntos de datos abiertos y vincular todo esto al razonamiento del modelo—todo en una interfaz. Para laboratorios y empresas farmacéuticas, esto importa más que solo otro LLM: el valor surge donde el modelo no solo formula una respuesta, sino que puede acceder a los datos necesarios e integrarse en los flujos computacionales existentes.

De acuerdo con los benchmarks públicos de OpenAI, GPT-Rosalind muestra el mejor resultado en BixBench entre modelos con métricas publicadas. En LABBench2, el modelo superó a GPT-5.4 en seis de once tareas; la empresa vio la mejora más significativa en CloningQA, donde se requiere diseñar reactivos y un plan completo para la clonación molecular.

OpenAI probó por separado el modelo con Dyno Therapeutics en la tarea de predecir y generar secuencias de ARN por función, utilizando datos no publicados que no podrían haber entrado en el conjunto de entrenamiento. En el entorno Codex, los mejores resultados del modelo de diez intentos superaron el percentil 95 de expertos humanos en la tarea de predicción y estuvieron aproximadamente en el percentil 84 en la tarea de generación de secuencias. Esto no prueba que la IA esté lista para hacer descubrimientos por cuenta propia, pero muestra que en escenarios bioinformáticos estrechos, está comenzando a competir con especialistas fuertes.

El lanzamiento fue cauteloso. GPT-Rosalind está actualmente disponible como una vista previa de investigación a través de ChatGPT, Codex y API, pero solo para clientes corporativos calificados en los Estados Unidos bajo un programa de acceso confiable. OpenAI cita medidas de seguridad mejoradas, control de acceso y requisitos de gobernanza y control interno: una organización debe realizar investigación legítima con beneficios claros para la salud humana, restringir el acceso al modelo y cumplir con reglas para prevenir abuso.

Entre socios y primeros usuarios, la empresa menciona a Amgen, Moderna, Thermo Fisher Scientific, Allen Institute y otras organizaciones del ecosistema de life sciences. En paralelo, OpenAI está trabajando con el Los Alamos National Laboratory en apoyo de IA para el diseño de proteínas y catalizadores. Para el mercado, este es un cambio importante.

OpenAI demuestra que la siguiente gran apuesta no es solo modelos más generales y más grandes, sino sistemas estrechamente especializados adaptados a procesos profesionales específicos. En life sciences, el costo del error es alto, los datos son complejos, y el éxito se mide no por el número de respuestas pulidas, sino por la calidad de las hipótesis y la velocidad de los experimentos. Si GPT-Rosalind realmente echa raíces en los procesos de laboratorio, reforzará la tendencia hacia modelos de IA verticales para industrias donde el valor nace de la comprensión profunda del dominio, acceso a herramientas y trabajo en un entorno estrictamente controlado.