O imunologista Derya Unutmaz no Jackson Laboratory publicou um estudo de caso terça-feira sobre como o GPT-5 Pro da OpenAI resolveu um quebra-cabeças que sua equipe não conseguia resolver desde 2022. A questão era mecânica: como o metabolismo de glicose afeta a especialização de células T conforme as células se desenvolvem? O experimento de 2022 de Unutmaz mostrou que as células T em ambientes de baixa glicose se comportavam diferentemente daquelas expostas a desoxiglicose, mas o lab não conseguia explicar por quê. Três anos depois, ele fez upload do conjunto de dados não publicado no GPT-5 Pro e pediu ao modelo que analisasse os dados.
GPT-5 Pro sugeriu que a desoxiglicose interfere na construção da proteína IL-2, que normalmente previne que células T se tornem células Th17 inflamatórias. Ao bloquear a IL-2, a desoxiglicose remove essa barreira, permitindo a diferenciação de células Th17. Unutmaz disse que o insight foi um que seu lab deveria ter alcançado, mas não havia, e a explicação mecânica do GPT-5 se mostrou testável: experimentos subsequentes confirmaram a hipótese do modelo. Crucialmente, o GPT-5 não tinha conhecimento prévio dos resultados não publicados mas produziu uma explicação biologicamente correta.
Para pesquisadores usando modelos de fronteira, o caso Unutmaz é instrutivo: GPT-5 não substitui expertise de domínio ou experimento. Em vez disso, muda o ritmo da atenção e geração de hipóteses. O modelo comprimiu o que pode ter levado semanas ou meses de revisão de literatura e brainstorm em minutos. Como Unutmaz notou, modelos como GPT-5 agora funcionam como colaboradores, não oráculos—eles reduzem o espaço de busca, mas validação humana e follow-up de lab úmido permanecem essenciais. Este padrão se repetirá em qualquer campo onde dados limpos, expertise de domínio e validação disciplinada convergem.