OpenAI GPT-5 生物研究能力
GPT-5 提升分子克隆效率 79 倍
OpenAI 與生物安全新創 Red Queen Bio 合作，展示了 GPT-5 能夠自主推理、提出並迭代濕實驗室協議，以顯著加速生物研究。在受控的實驗設置中，GPT-5 優化了一個分子克隆協議，相較於基線 HiFi 組裝協議，效率提升了 79 倍。
此改進是透過兩種不同優化的組合實現的：
- 酶促組裝 (RAPF): 提升 2.6 倍。
- 轉化協議 (T7): 提升 36 倍。
這些加總的改進共同導致在固定量的輸入 DNA 下，序列驗證克隆的回收量提升了總計 79 倍。
RAPF-HiFi 酶促機制的發現
GPT-5 提出了一種名為「RecA-Assisted Pair-and-Finish HiFi Assembly」（RAPF-HiFi）的新穎酶促程序。該模型識別出兩種蛋白質的協同組合，以改善 DNA 組裝的同源搜索和退火過程：
- gp32 (噬菌體 T4 基因 32 單鏈 DNA 結合蛋白質): 通過移除二級結構來平滑和解開鬆散的 DNA 末端。
- RecA (來自大腸桿菌的重組酶): 引導每條 DNA 鏈到其正確匹配，促進同源搜索和退火。
作用機制的技術細節
OpenAI 假設 RAPF-HiFi 機制的運作方式如下：
- T5 外切酶 產生 3’ 過伸。
- gp32 包覆未退火的單鏈 DNA（ssDNA）尾端，以抑制二級結構。
- RecA 從 3’ 端入侵，取代 gp32 並驅動匹配序列的退火。
- 熱重置： 返回 50°C 會取代 RecA 和 gp32，使標準聚合酶和連接酶能完成反應。
該模型的推理因其選擇 gp32 而非較常見的 E. coli SSB 蛋白質而凸顯；儘管 SSB 是 RecA 的天然夥伴，但它結合得太穩定，無法允許此協議所需的高效 RecA 置換。
轉化協議 (T7) 的優化
雖然酶促組裝經過五輪迭代優化，但轉化程序是在一次「一擊」輪中優化的。GPT-5 識別出一種名為「轉化 7」（T7）的修改，該修改包括細胞沉澱、移除供應體積的一半，以及在加入 DNA 前將細胞在 4°C 懸浮。
儘管實驗室普遍相信高效化學感受細胞很脆弱，不應該這樣處理，但細胞卻耐受了此濃縮過程。此修改增加了分子碰撞並減少了抑制緩衝液，導致轉化效率提升超過 30 倍。
由 AI 驅動的濕實驗室迭代演化框架
為了測試模型的能力，OpenAI 使用了一個演化框架，讓 GPT-5 能夠「線上」從實驗回饋中學習：
- 迭代迴路： GPT-5 每輪提出 8-10 個反應的批次。
- 人類在迴路中執行： 人類科學家執行協議並提供相對於基線的菌落計數。
- 標準化提示： 為確保 AI 的貢獻獨立於人類指導，提示被固定，除了澄清問題之外，沒有人類介入。
OpenAI 指出，目前系統的固定提示限制了探索與利用的平衡，表明未來在規劃和任務視野推理方面的進步可能帶來更大的收益。
自主機器人執行
OpenAI 與 Robot on Rails 合作，開發了一個機器人系統來執行這些自然語言協議。該系統整合了人類到機器人的 LLM、用於實驗器具定位的實時視覺系統，以及機器人路徑規劃器。
在比較測試中，機器人成功執行了改進後的 R8 協議，相較於基線達成了 2.13 倍的提升，這相當於人類研究者表現的 89%（2.39 倍）。儘管由於液體處理和溫度校準差異，絕對菌落計數約為手動執行的十分之一，但機器人準確排名協議的能力展示了完全自主生物實驗優化的潛力。
生物安全與安全框架
由於生物推理能力可能帶來的風險，此研究是在使用無害實驗系統的嚴格控制環境中進行的。OpenAI 正在利用這些結果來為生物安全風險評估提供資訊，並作為其備備框架的一部分開發防護措施。