El inmunólogo Derya Unutmaz en Jackson Laboratory publicó un estudio de caso el martes sobre cómo el GPT-5 Pro de OpenAI resolvió un acertijo que su equipo no había podido resolver desde 2022. La pregunta era mecánica: ¿cómo afecta el metabolismo de glucosa a la especialización de células T conforme se desarrollan? El experimento de 2022 de Unutmaz mostró que las células T en ambientes de baja glucosa se comportaban diferente de las expuestas a desoxiglucosa, pero el lab no podía explicar por qué. Tres años después, cargó el conjunto de datos no publicado en GPT-5 Pro y pidió al modelo que analizara los datos.
GPT-5 Pro sugirió que la desoxiglucosa interfiere con la construcción de la proteína IL-2, que normalmente previene que las células T se conviertan en células Th17 inflamatorias. Al bloquear IL-2, la desoxiglucosa elimina esa barrera, permitiendo la diferenciación de células Th17. Unutmaz dijo que la idea fue una que su lab debería haber alcanzado, pero no lo hizo, y la explicación mecánica de GPT-5 resultó comprobable: experimentos posteriores confirmaron la hipótesis del modelo. Crucialmente, GPT-5 no tenía conocimiento previo de los resultados no publicados pero produjo una explicación biológicamente correcta.
Para investigadores que usan modelos de frontera, el caso Unutmaz es instructivo: GPT-5 no reemplaza la experiencia del dominio o la experimentación. En su lugar, cambia el tempo de la atención y generación de hipótesis. El modelo comprimió lo que podría haber tomado semanas o meses de revisión de literatura y lluvia de ideas en minutos. Como notó Unutmaz, modelos como GPT-5 ahora funcionan como colaboradores, no oráculos—reducen el espacio de búsqueda, pero la validación humana y el seguimiento de laboratorio mojado siguen siendo esenciales. Este patrón se repetirá en cualquier campo donde converjan datos limpios, experiencia de dominio y validación disciplinada.