环球医讯AI与医疗健康

伊利诺伊大学癌症中心被国家癌症研究所授予基础癌症中心认证，这是近40年来首个新认证的基础癌症中心。该中心专注于癌症检测、治疗和预防的创新研究，运用包括人工智能在内的多种先进技术，已发展成为拥有125多名教职员工和数百名培训生的跨学科研究机构，将加速推进癌症研究和治疗的突破性进展，通过与临床中心合作将研究成果转化为患者获益，标志着美国癌症研究领域的重要进展。

OpenAI最新推出专为药物发现设计的AI模型GPT-Rosalind，以DNA结构发现者罗莎琳德·富兰克林命名，旨在加速药物研发早期阶段工作。该模型已在安进、莫德纳等机构投入应用，支持生物学研究、药物发现和转化医学，可与Codex协同工作，并提供连接50多种科学工具的插件，标志着AI技术在生命科学领域应用的又一重要进展，有望大幅缩短新药从靶点发现到临床应用的时间周期。

OpenAI发布首款专攻生命科学领域的AI模型GPT-Rosalind，该模型以揭示DNA双螺旋结构的罗莎琳德·富兰克林命名，旨在加速药物研发与生物学研究。通过提升研究目标筛选精准度、优化实验假设设计，该模型可缩短新药从研发到上市的周期（通常需10-15年），已通过有机化学、蛋白质及遗传学等多领域测试。OpenAI强调已设置防生物武器开发等滥用防护机制，并与多家生物技术企业合作推进科研应用，目前仅限通过可信访问系统提供研究预览版，同期谷歌DeepMind的AlphaFold等同类技术已获2024年诺贝尔化学奖认可。

美国高级健康研究计划署(ARPA-H)推出的"人人皆可及的综合放射治疗"(1-CURE)项目通过结合智能生物材料和人工智能技术，致力于开发一种适用于多种癌症的低成本、广泛可获取的放射治疗方法，解决当前癌症治疗费用高昂、疗程漫长的问题，该项目计划在五年内完成研发并开始临床试验，有望大幅缩短传统癌症治疗方法从研发到临床应用的时间周期，使患者无需经历数月甚至数年的艰苦治疗过程，同时显著降低治疗成本，为全球癌症患者带来新的治疗希望。

OpenAI推出的GPT-Rosalind AI模型专攻生命科学与生物医学研究领域，能快速处理海量科学文献和数据集，显著加速药物研发、基因组学分析及实验设计流程。该模型区别于传统AI工具，可直接接入科研数据库系统，协助科学家生成研究假设、优化实验方案，目前正与大型制药企业合作推进临床前测试，有望大幅缩短新药研发周期，标志着人工智能从辅助工具向科研核心合作伙伴的战略性转变，同时通过严格权限管理防范生物技术滥用风险。

OpenAI最新发布的GPT罗莎琳德模型专为生命科学领域深度定制，旨在革新生物学研究和药物发现流程。该模型以DNA结构发现关键科学家罗莎琳德·富兰克林命名，具备强大的分子、蛋白质及基因通路推理能力，能高效支持证据综合、假设生成和实验规划等多步骤任务，有望将新药开发周期从平均10-15年显著缩短，并通过提高成功率推动生命科学组织实现突破性进展；目前作为研究预览版在ChatGPT和Codex中提供，配套的生命科学插件已连接50多个专业数据库和研究工具，为研究人员提供端到端的科学工作流加速解决方案。

OpenAI近日发布专为生命科学研究设计的AI模型GPT-Rosalind，该模型以20世纪英国科学家罗莎琳德·富兰克林命名，旨在支持生物化学、药物发现和转化医学研究。GPT-Rosalind能够帮助研究人员进行证据综合、假设生成和实验规划等多步骤研究任务，加速药物发现的早期阶段。该模型已作为研究预览版在ChatGPT、Codex和API中提供，并与安进、莫德纳、赛默飞世尔科技等生物技术公司合作应用。同时，OpenAI还推出了连接50多种科学工具和数据源的免费生命科学研究插件，进一步推动AI在生命科学领域的应用。

OpenAI推出GPT-Rosalind，一款专为生命科学领域设计的AI模型，旨在加速生物学、药物发现和转化医学研究。该模型帮助研究人员快速完成科学任务并连接研究工具和数据源，专用于专业研究环境而非普通消费者使用。GPT-Rosalind在生物学和化学基准测试中表现优异，已在Dyno Therapeutics等机构测试，安进、莫德纳、赛默飞世尔和诺和诺德参与应用，但访问权限仅限于通过OpenAI可信访问计划的美国企业用户，以确保安全合规。

诺和诺德与OpenAI宣布达成全面战略合作，将AI技术应用于药物发现、制造、供应链和企业运营等各个环节。尽管协议展现了制药行业拥抱AI技术的雄心，但在数据治理、监管合规和具体实施细节方面仍存在诸多不确定性。此次合作正值诺和诺德大规模裁员和成本削减之际，引发了对AI技术在制药行业应用的广泛讨论和审视，特别是在数据隐私保护和AI辅助决策透明度方面面临挑战，这些问题的解决将对整个医药AI领域产生深远影响。

本文详细探讨了人工智能如何从药物研发的辅助工具转变为癌症治疗领域的核心力量，分析了AI在加速药物识别、改善患者分层、预测治疗反应方面的显著优势，同时也指出了数据偏差、监管不确定性和临床验证不足等关键挑战，重点介绍了生成式AI设计的TNIK抑制剂、INS018_055等实际案例，以及蛋白质结构预测、自监督学习和联邦学习等技术驱动力，展望了AI通过整合多组学数据推动精准肿瘤学发展的未来前景，为加速、改善和个性化癌症治疗提供了科学依据和实践方向。