GPT-5 reduce el coste de producir proteínas

GPT-5 redujo un 40% el coste de producir una proteína en un laboratorio automatizado, según un experimento de OpenAI y Ginkgo Bioworks. Para lograrlo, el sistema diseñó pruebas, analizó los resultados y decidió qué experimentar después, con robots ejecutando cada ronda.

El trabajo se centró en la síntesis de proteínas sin células, una técnica que permite fabricar proteínas sin cultivar organismos vivos. En lugar de introducir ADN en una célula y esperar a que haga su trabajo, se coloca el ADN en una mezcla controlada que contiene la maquinaria necesaria para producir la proteína.

Es una herramienta útil para probar muchas ideas rápidamente. Las proteínas se usan en medicamentos, pruebas de diagnóstico, investigación y procesos industriales, además de productos cotidianos como los detergentes. Si producirlas cuesta menos, los científicos pueden evaluar más opciones antes de invertir en desarrollos caros.

Un laboratorio que aprende de cada experimento

OpenAI conectó GPT-5 al laboratorio en la nube de Ginkgo Bioworks. Se trata de una instalación que puede controlarse mediante software: los robots preparan las mezclas, ejecutan las reacciones y devuelven los datos al modelo.

El ciclo funcionó así:

• GPT-5 diseñó un grupo de experimentos.
• El laboratorio automatizado ejecutó las pruebas.
• Los resultados regresaron al modelo.
• GPT-5 analizó los datos y propuso la siguiente ronda.

El sistema repitió ese proceso durante seis rondas. En total, probó más de 36.000 composiciones diferentes en 580 placas automatizadas. Antes de ejecutar cada prueba, un sistema de validación comprobaba que el diseño pudiera realizarse realmente con los robots. Así se evitaban experimentos que parecieran razonables en un texto, pero fueran imposibles en el laboratorio.

Con acceso a un ordenador, un navegador y artículos científicos relevantes, GPT-5 necesitó tres rondas y dos meses para alcanzar el resultado que OpenAI presenta como un nuevo récord para la síntesis de proteínas sin células de bajo coste. La producción pasó a costar un 40% menos que con la mejor referencia anterior. OpenAI también informa de una mejora del 57% en el coste de los reactivos.

La clave no fue solo gastar menos

La síntesis sin células combina ADN, extractos celulares y numerosos ingredientes, como sales y fuentes de energía. Todos interactúan entre sí, por lo que cambiar un componente puede alterar el efecto de los demás. La intuición humana no basta para explorar todas las combinaciones posibles.

GPT-5 encontró mezclas de bajo coste que, según OpenAI, no se habían probado antes en esa configuración. También identificó combinaciones que funcionaban mejor bajo las condiciones de un laboratorio automatizado, donde las reacciones tienen menos oxígeno y se mezclan de forma distinta que en un tubo de ensayo convencional.

Ese detalle importa. Una mezcla que funciona bien a mano puede rendir peor en una placa con cientos de pequeños compartimentos. El modelo propuso formulaciones más resistentes a esas condiciones, además de detectar que pequeños cambios en los sistemas de amortiguación, la regeneración de energía y las poliaminas podían tener un efecto importante sobre el resultado.

El mayor ahorro no vino necesariamente de sustituir cada ingrediente por otro más barato. En este sistema, los componentes que más pesan en el coste son el extracto celular y el ADN. Por eso, producir más proteína con la misma cantidad de esos materiales es la estrategia con más impacto.

Qué significa para ti

El resultado no significa que GPT-5 ya pueda diseñar cualquier proteína ni que los laboratorios humanos hayan dejado de ser necesarios. La prueba se hizo con una sola proteína, sfGFP, y un único sistema de síntesis sin células. Todavía hay que comprobar si las mejoras se mantienen con otras proteínas, equipos y condiciones.

Además, los operadores humanos siguieron siendo necesarios para mejorar los protocolos y manipular los reactivos. La IA pudo proponer y analizar experimentos, pero el trabajo físico del laboratorio todavía dependió de personas con experiencia.

Lo importante es el modelo de trabajo: una IA puede explorar miles de opciones, un laboratorio automatizado puede probarlas y los resultados pueden alimentar la siguiente decisión casi sin pausas. En biología, donde avanzar suele depender de repetir experimentos costosos, esa combinación puede acelerar la búsqueda de tratamientos, diagnósticos y procesos industriales.

También abre una preocupación que no se puede ignorar: las mismas capacidades que ayudan a optimizar procesos biológicos pueden tener implicaciones para la bioseguridad. OpenAI afirma que está evaluando esos riesgos y desarrollando salvaguardas. El siguiente paso será comprobar si este método funciona fuera de un caso controlado y hasta dónde puede llegar sin aumentar riesgos difíciles de supervisar.