GPT-5 Pro kraakt drie jaar oude T-celpuzzel
Een immunoloog die al sinds 2022 vastzit op een raadsel over T-cellen, kreeg in een dozijn minuten een werkbare verklaring van een AI-model. Dat is het verhaal dat OpenAI deze week naar buiten bracht over Derya Unutmaz, onderzoeker bij The Jackson Laboratory for Genomic Medicine. Hij gebruikte GPT-5 Pro om een dataset te ontrafelen die zijn lab jarenlang had laten liggen.
Wat GPT-5 Pro vond
De vraag draaide om een basaal punt in de immunologie: hoe beinvloeden glucose en de stofwisselingsremmer 2-deoxyglucose (2DG) de manier waarop T-cellen zich ontwikkelen en specialiseren? T-cellen helpen het lichaam virussen, kankercellen en infecties te bestrijden, dus het mechanisme is geen detail.
Unutmaz voerde een ongepubliceerde figuur in met T-celsubsets na behandeling met verschillende glucose- en 2DG-niveaus. Na wat heen en weer kwam GPT-5 Pro met een concrete hypothese: verstoorde N-gebonden glycosylering tijdens de priming van de cellen zou de waarnemingen verklaren, en niet de naieve maar de geheugen-T-cellen dreven het effect. Het model stelde ook vervolgexperimenten voor, waaronder een mannose-rescue waarbij de glycosylering wordt hersteld zonder de glycolyse terug te brengen. Het lab had dat experiment al eerder uitgevoerd, en de uitkomsten kwamen overeen met de voorspelling. OpenAI beschrijft de casus samen met andere voorbeelden in een arXiv-paper over wetenschappelijke versnelling met GPT-5.
De mens blijft de scheidsrechter
Belangrijk detail: het model werkte binnen een kader dat mensen hadden opgezet, op data die mensen hadden gegenereerd, en de uitkomst moest het experiment overleven. Unutmaz kon de redenering uitdagen omdat hij decennia T-celbiologie achter de rug heeft. De winst zit in snelheid, niet in autonomie. GPT-5 Pro genereert plausibele, toetsbare hypotheses sneller dan een mens dat kan, waarna de onderzoeker beslist wat klopt.
Het past in een reeks medische toepassingen die we eerder zagen, zoals de diagnoses die OpenAI’s o3 vond in onopgeloste zorgdossiers en de poging om AI in echt laboratoriumwerk te testen met LifeSciBench. De rode draad: AI als assistent in het lab, met de wetenschapper aan het stuur.
“Een model dat in tien minuten een toetsbare hypothese aanreikt, vervangt geen onderzoeker, maar het verlegt wel waar je je tijd aan besteedt. Wie leert hoe je zo’n model gericht ondervraagt, wint maanden.”
Leon Tindemans, AI-expert en Copilot- & ChatGPT-trainer. Lees meer over zijn Copilot-training.
Wat betekent dit
De casus laat zien waar de huidige topmodellen sterk in zijn: patronen herkennen in complexe data en daar scherpe, falsifieerbare voorstellen aan koppelen. Voor labs betekent dat kortere cycli tussen vraag en proefopzet, mits iemand de biologische context bewaakt. De concurrentie tussen aanbieders maakt dat alleen maar relevanter, met modellen als Gemini 3.5 Pro en de nieuwste GPT-5.5-varianten die elkaar opjagen. Voor onderzoekers is de les nuchter: het model is een versneller, geen orakel. De waarde komt pas vrij als de expertise om de uitkomst te wegen er ook is.
