Когда я писала про mRNAid, меня не отпускала одна мысль: в разработке терапевтических мРНК все еще слишком много ручной работы.
Транскрипт должен и хорошо транслироваться, и достаточно долго жить, и при этом не запускать лишний иммунный ответ. На бумаге звучит красиво, а в лабораторной реальности это горы правок, локальные скрипты и “знание из головы”, которое трудно передать между командами.
Да, у нас есть полезные строительные блоки вроде DNA Chisel. Но открытой платформы полного цикла, где последовательно учитываются структурные, последовательностные и иммуногенные ограничения, по-прежнему не хватает.
Поэтому новость про GPT-Rosalind я читала без восторженных криков и без привычного скептического “ну опять”. Скорее как аккуратную заявку на новый связующий слой над существующим инструментарием.
Что именно запустила OpenAI
В официальном анонсе GPT-Rosalind описана как модель рассуждений для задач наук о жизни: синтез доказательной базы, генерация гипотез, планирование экспериментов, многошаговые исследовательские сценарии в геномике, биохимии и белковой инженерии.
Модель названа в честь Розалинд Франклин – британского химика и пионера рентгеновской кристаллографии, чьи снимки сыграли ключевую роль в расшифровке структуры ДНК. Axios делает правильный акцент: это запуск не “еще одного универсального помощника”, а первой профильной линии.
Зачем здесь плагин для Codex
Вместе с моделью OpenAI выложила бесплатный исследовательский модуль для Codex. По релизу, он дает доступ к более чем 50 публичным базам и инструментам – от генетики человека и функциональной геномики до задач по структуре белков и биохимии.
В том же анонсе OpenAI отдельно указывает, что GPT-Rosalind доступна для квалифицированных пользователей через ChatGPT Enterprise и API в режиме trusted access.
Публичный репозиторий модуля: Life Sciences Research Plugin.
Отдельный важный нюанс: сам модуль используется шире, а ограничения trusted access относятся именно к GPT-Rosalind.
В бытовом переводе это значит одно: меньше ручного переключения между десятком разрозненных сервисов, больше целостных цепочек работы вокруг одного вопроса.
Бенчмарки: что известно и где надо быть осторожной
С цифрами всегда лучше держать холодную голову.
В BixBench (его сделали FutureHouse и ScienceMachine) OpenAI заявляет результат GPT-Rosalind на уровне Pass@1 = 0,751.
По данным OpenAI, сравнение с другими моделями в диаграмме релиза выглядит так: GPT-5.4 (0,732), Grok 4.2 (0,728), GPT-5.2 (0,698), GPT-5 (0,611), Gemini 3.1 Pro (0,550).
В разных публикациях встречаются небольшие расхождения в порядке и округлении отдельных значений, но общий вывод не меняется: по релизным данным OpenAI лидирует GPT-Rosalind.
Здесь важная граница честности: это цифры из материалов OpenAI. Полноценной независимой публикации с внешней верификацией этих сравнений пока нет.
В том же релизе указано, что в LABBench2 модель обходит GPT-5.4 в 6 из 11 задач, а самый заметный прирост приходится на CloningQA.
Отдельная часть – партнерское тестирование с Dyno Therapeutics: использовались неопубликованные РНК-последовательности, а лучшие десять ответов GPT-Rosalind попали в топ 95-го перцентиля среди экспертов-людей; в генерации последовательностей результат дошел до 84-го перцентиля.
VentureBeat называет это уровнем, где ИИ уже может быть рабочим соавтором: быстрее перебирает гипотезы и помогает не пропустить важные закономерности.
Почему доступ закрыт
В биологии проблема двойного назначения не академическая, а очень практическая. Инструменты, которые ускоряют поиск лекарств, в плохом сценарии могут ускорять и обратные вещи.
Поэтому OpenAI не делает широкий публичный запуск: сейчас это режим исследовательского доступа для корпоративных клиентов и только в США на старте. В релизе отдельно зафиксированы требования к участникам и оговорка, что в этот период использование не расходует существующие кредиты и токены при соблюдении ограничений против злоупотреблений.
В числе участников OpenAI перечисляет Amgen, Moderna, Novo Nordisk, Thermo Fisher Scientific, Oracle Health and Life Sciences, NVIDIA, Allen Institute, Benchling и Школу фармации UCSF, а также партнерство с Лос-Аламосской национальной лабораторией и другие организации раннего доступа.
Конкурентный фон и деньги
Контекст здесь очень плотный.
AlphaFold от Google DeepMind действительно перевернул структурную биологию, а в 2024 году это направление получило Нобелевскую премию по химии.
14 апреля 2026 года AWS анонсировала Amazon Bio Discovery: Introducing Amazon Bio Discovery. Через два дня, 16 апреля, OpenAI опубликовала релиз GPT-Rosalind.
По Precedence Research, объем рынка ИИ в фармацевтике оценивается в 2,51 млрд долларов в 2026 году и 16,49 млрд к 2034 году, со среднегодовым темпом роста около 27%.
Что это значит для открытых инструментов
Самый частый вопрос звучит резко: “убьет ли GPT-Rosalind узкие инструменты с открытым исходным кодом вроде mRNAid”.
Мой ответ пока спокойный. Прямой конкуренции меньше, чем кажется.
mRNAid решает конкретную вычислительную задачу оптимизации последовательностей под набор ограничений. GPT-Rosalind работает на другом уровне: помогает собирать доказательную базу, формулировать гипотезы и быстрее проходить длинные аналитические цепочки.
И да, проверка в “мокрой” лаборатории остается обязательной. Это пока не обходит никакая модель.
Вывод
OpenAI называет GPT-Rosalind первым релизом в линейке для наук о жизни и напоминает, что путь от гипотезы до одобрения препарата часто занимает 10-15 лет.
Если эта ставка сработает, эффект будет не в “одном правильном ответе”, а в ускорении ранних этапов – от формулировки идеи до кандидата, которого уже можно проверять экспериментально.
При этом закрытый доступ меняет правила игры. Открытым инструментам придется доказывать ценность рядом с крупными платформами: прозрачностью, воспроизводимостью и честными границами применимости.
Примечание об источниках: данные по BixBench, LABBench2 и Dyno Therapeutics взяты из официального релиза OpenAI и связанных материалов; по плагину – из репозитория GitHub; по Amazon Bio Discovery – из блога AWS; по рынку – из отчета Precedence Research. Независимая верификация сравнительной таблицы моделей на момент публикации отсутствует.
Автор: KonkovaElena
