OpenAI kertoi 17. kesäkuuta, että sen GPT-5.4-malli paransi lähes itsenäisesti vaikeaa lääkekemian reaktiota oikeassa laboratoriossa. Työ tehtiin yhdessä Molecule.one-yhtiön kanssa, jonka Maria-järjestelmä yhdistää tekoälyn suurikapasiteettiseen kemian laboratorioon. Malli ei pelkästään ehdottanut ideoita ruudulla, vaan suunnitteli kokeet, ajoi ne ja analysoi tulokset.
Tulos on harvinainen, koska edistystä ei voi mitata pelkällä päättelyllä. Hypoteesin on toimittava oikeilla molekyyleillä, laitteilla ja kokeellisella kohinalla. OpenAI:n mukaan GPT-5.4 sai avoimen tavoitteen parantaa yhtä tärkeää reaktioluokkaa, ja malli valitsi itse sekä kohteen että menetelmän.
Avoin tavoite ja autonominen kierto
Järjestelmä sai lähtökohdaksi väljän toimeksiannon: paranna yhtä useista tärkeistä reaktioluokista. GPT-5.4 tuotti tutkimusehdotuksia, suunnitteli kokeet ja ehdotti jatkotutkimuksia havaintojensa pohjalta. Maria-laboratorio toteutti suunnitelmat fyysisesti.
Lupaavin ehdotus sai nimen OAI-M1-03. Se keskittyi Chan–Lam-kytkentään, reaktioon, jolla kemistit muodostavat hiili–typpi-sidoksia. Malli tunnisti itse haastavan ja arvokkaan kohderyhmän: primaariset sulfonamidit.
Kierto toistui kahdesti. Jokaisella kierroksella malli luki edellisen kokeen tulokset ja tarkensi seuraavaa askelta. Tämä silmukka erottaa työn aiemmista demonstraatioista, joissa tekoäly tuotti vain ehdotuksia ilman kokeellista palautetta.
Mitä reaktiossa parani
GPT-5.4 ehdotti, että miedot hapettimet voisivat parantaa reaktiota. Yksi niistä oli TEMPO, kemisteille tuttu lisäaine. Idea osoittautui toimivaksi.
Optimoiduissa olosuhteissa mitatut saannot paranivat 88 prosentilla testatuista booronihapoista ja 83 prosentilla sulfonamideista. Keskimääräinen saanto nousi 16,6 prosentista 25,2 prosenttiin. Yli 30 prosentin saantoon yltäneiden reaktioiden osuus kasvoi 15,6 prosentista 37,5 prosenttiin.
Luvut ovat maltillisia, mutta lääkekemiassa merkittäviä. Pieni mutta luotettava parannus vaikeassa reaktiossa voi ratkaista, onko jokin yhdiste ylipäätään valmistettavissa järkevästi.
Ihminen pysyi mukana
Järjestelmä ei toiminut täysin yksin. Ihmiset suunnittelivat ohjaavat ja arvioivat kehotteet sekä valitsivat, mitkä ehdotukset testattaisiin. He tekivät myös rajattuja korjauksia koesuunnitelmiin ja avustivat perustason laboratoriotoimissa.
Ratkaiseva varmennus tehtiin penkkimittakaavassa. Ihmiskemistit toistivat edustavat reaktiot tavanomaisessa laboratoriotyössä. Saannot olivat korkeammat 14 substraattiparista 11:llä, ja useimmissa tapauksissa parannus oli yli kaksinkertainen.
Tämä on olennaista, koska lääkekemistit tarvitsevat reaktioita, jotka toimivat mikrolitran seulonnan lisäksi myös käytännön työnkuluissa. Mikromittakaavan tulos ei riitä, ellei se toistu isommassa koossa.
Mitä tämä tarkoittaa lääkekehitykselle
Lääkekehityksessä reaktion saanto vaikuttaa suoraan aikaan ja kustannuksiin. Jos malli löytää lisäaineen, joka nostaa saantoa kymmeniä prosenttiyksiköitä, se voi lyhentää synteesireittejä ja vähentää hukattua materiaalia.
Merkittävää on myös tapa, jolla tulos syntyi. Malli ei ollut erikoistunut kemiaan, vaan kyseessä oli yleiskäyttöinen järjestelmä, joka skaalautui kokeelliseen tutkimukseen. Sama lähestymistapa voisi periaatteessa toimia muissakin reaktioluokissa.
Toistaiseksi kyse on yhdestä reaktiosta ja kahdesta kokeellisesta kierroksesta. Laajempi näyttö vaatii lisää itsenäisesti löydettyjä ja varmennettuja tuloksia. Suunta on silti kiinnostava: tekoäly siirtyy kirjoituspöydältä laboratoriopenkille.
Yhteenveto
OpenAI:n ja Molecule.one:n koe osoitti, että GPT-5.4 pystyy parantamaan vaikeaa lääkekemian reaktiota lähes itsenäisesti. Malli valitsi kohteen, ehdotti TEMPO-lisäaineen ja paransi saantoa mitattavasti.
Tulos ei mullista lääkekehitystä kerralla, mutta se laajentaa tekoälyn roolia ideoinnista kokeelliseen tutkimukseen. Seuraava kysymys on, toistuuko sama muissa reaktioissa ja laboratorioissa.