GPT-Rosalind, explicado: Qué cambia realmente el primer modelo de ciencias de la vida de OpenAI para I+D farmacéutica

Los datos de una química británica, obtenidos sin darle crédito, ayudaron a revelar la estructura del ADN en 1953. Setenta y tres años después, el modelo que OpenAI nombró en su honor acaba de ser lanzado en los laboratorios farmacéuticos del mundo y ha sido construido tras el tipo de puertas de las que Rosalind Franklin pasó su carrera siendo excluida.

Un modelo nombrado en honor a una mujer que fue excluida

En mayo de 1952, en un laboratorio subterráneo del King's College London, una química de 31 años llamada Rosalind Franklin tomó una única fotografía de rayos X de una fibra de ADN. La etiquetó como Photo 51. La imagen de una cruz de puntos oscuros sobre un fondo pálido fue la fotografía más precisa de la estructura del ADN que se había capturado hasta entonces.

Unos meses después, sin su permiso, la fotografía fue mostrada a dos investigadores de Cambridge: James Watson y Francis Crick. La vieron una vez. A partir de esa única visualización, reconstruyeron la doble hélice. El Premio Nobel que se otorgó en 1962 fue para Watson, Crick y el colega de Franklin, Maurice Wilkins. Franklin había muerto de cáncer de ovario cuatro años antes, a los treinta y siete, y el premio no se concede póstumamente. Su nombre apenas se menciona en sus discursos de aceptación.

El 16 de abril de 2026, OpenAI lanzó su primer modelo de razonamiento para ciencias de la vida y lo nombró en su honor. La elección fue deliberada. La ironía, menos.

GPT-Rosalind es, a cualquier lectura, uno de los lanzamientos de IA con controles de acceso más cuidadosos que la industria ha visto. Está disponible solo en Estados Unidos, solo para clientes empresariales vetados, solo a través de lo que OpenAI llama un Trusted Access Program. Los socios de lanzamiento son Amgen, Moderna, Novo Nordisk, the Allen Institute, Thermo Fisher Scientific, Dyno Therapeutics. El modelo lleva el nombre de una mujer que, en su época, fue mantenida fuera de casi todas las puertas que importaban.

Para los líderes farmacéuticos que observan desde India, desde Europa, desde cualquier laboratorio que no esté en esa lista de socios, la pregunta que plantea este lanzamiento no es qué puede hacer GPT-Rosalind. Es qué significa que OpenAI haya decidido, con tanto cuidado, quién puede usarlo.

Qué es realmente el modelo

Quitando el marketing, GPT-Rosalind es un modelo de razonamiento afinado para biología.

Esa distinción importa más de lo que parece. GPT-5.4, el generalista emblemático de OpenAI, es fuerte en programación, redacción, análisis y razonamiento científico amplio. Puede explicar CRISPR. No puede, con confianza, evaluar el diseño de un ARN guía y razonar sobre su actividad fuera de diana prevista. GPT-Rosalind está construido para hacer esto último.

OpenAI ha sido preciso sobre dónde el modelo es útil. Descubrimiento en etapas tempranas: identificación de dianas, validación de dianas, comprensión de mecanismos, síntesis bibliográfica e interpretación de "ómicas" — el análisis de conjuntos de datos genómicos, transcriptómicos y proteómicos. No formulación. No comercial. No orientado al paciente. El modelo vive en los primeros 24 a 36 meses de la vida de un fármaco, cuando una hipótesis sigue siendo una pregunta.

Se entrega a través de tres superficies :ChatGPT Enterprise, Codex (el entorno de programación de OpenAI, ahora ampliado con un complemento de investigación en Life Sciences), y la OpenAI API para flujos de trabajo de investigación internos. SOC 2 Type 2, alineado con HIPAA, BAAs disponibles, controles de acceso basados en roles, sin entrenamiento con datos de clientes. La estructura de cumplimiento se ha construido antes de que el modelo saliera, no después.

Una aclaración técnica, porque aquí fue donde la mayoría de las primeras coberturas se equivocaron: GPT-Rosalind no pliega proteínas. Es un orquestador. Cuando se necesita una estructura 3D, se llama a AlphaFold 3 o Chai-1. Cuando se necesita una búsqueda de secuencia, consulta una base de datos. La contribución del modelo no es cómputo bruto; es un juicio sobre a qué especialista preguntar y cómo leer la respuesta.

Piénselo menos como un microscopio nuevo y más como un asociado de investigación sénior que sabe qué microscopio usar.

GPT-Rosalind plantea cuestiones de gobernanza que la industria farmacéutica regulada aún está aprendiendo a responder.

El contrato epistémico para la IA en GxP va más profundo de lo que la mayoría de los laboratorios espera.

→ Leer: IA en la industria farmacéutica GxP: El nuevo contrato epistémico | Dr. Ajaz S. Hussain

Lo que realmente dicen los benchmarks

OpenAI publicó cifras sobre tres evaluaciones. Vale la pena leerlas con cuidado y con la calibración que los líderes de investigación experimentados aplican a cualquier puntuación publicada por un proveedor.

BixBench es un benchmark de bioinformática de Edison Scientific. Coloca a un agente de IA frente a un cuaderno Jupyter vacío y le pide que haga biología computacional real, en 53 escenarios de análisis y 296 preguntas. GPT-Rosalind obtuvo Pass@1 de 0.751. GPT-5.4 obtuvo 0.732. GPT-5 obtuvo 0.728. Grok 4.2 obtuvo 0.698. Gemini 3.1 Pro obtuvo 0.550.

Dos puntos por encima del mejor generalista son significativos. No es un salto generacional.

LABBench2 es la prueba más amplia, aproximadamente 1.900 tareas en once familias de tareas de investigación que cubren recuperación de literatura, manipulación de secuencias, diseño de protocolos y más. GPT-Rosalind superó a GPT-5.4 en seis de las once familias. La mayor brecha apareció en CloningQA, el diseño de extremo a extremo de ADN y reactivos enzimáticos para protocolos de clonación molecular.

GPT-5.4 todavía ganó en cinco de once. Lectura honesta: esto es una herramienta útil, no una solución acabada.

La evaluación de Dyno Therapeutics es la que hay que tomar en serio. Dyno usó secuencias de ARN inéditas, previamente no vistas, de lo que OpenAI llamó datos "uncontaminated", lo que significa secuencias que el modelo no había tenido oportunidad de ver durante el entrenamiento. En predicción de secuencia a función, las mejores diez salidas del modelo se situaron por encima del percentil 95 de expertos humanos. En generación de secuencias, alcanzó aproximadamente el percentil 84.

Para un modelo alimentado solo con lo que nunca había visto antes, situarse por encima del 95% de los expertos humanos es el tipo de resultado que, si se mantiene en evaluaciones más amplias y variadas, cambia cómo un equipo de descubrimiento temprano asigna su tiempo. Eso no es una victoria de benchmark. Es una señal de flujo de trabajo.

Lo que realmente hace en un laboratorio

Las capacidades se agrupan alrededor de las partes del descubrimiento temprano más estranguladas por el trabajo manual con datos.

Un equipo de descubrimiento de dianas pregunta: ¿Es Protein X un objetivo terapéutico viable en la enfermedad Y? El modelo ingiere la pregunta y razona a través de la literatura publicada, bases de datos genómicos y proteómicos públicas, y los datos experimentales internos del equipo. Presenta la evidencia de apoyo. Presenta las contradicciones. Señala las lagunas. Genera hipótesis en competencia, las evalúa y propone experimentos de seguimiento. Interpreta salidas multi-ómicas. Escribe el tipo de síntesis estructurada que, hasta ahora, le llevaba a un biólogo senior tres días.

Lo que separa esto de asistentes de IA anteriores son dos cosas: el uso de herramientas y el escepticismo.

Uso de herramientas, porque GPT-Rosalind está diseñado para invocar otros sistemas —predictores de estructura, herramientas de búsqueda de secuencias, entornos estadísticos— e integrar sus salidas en su razonamiento. Es el orquestador, no el cuello de botella.

Escepticismo, porque GPT-Rosalind es el primer modelo de OpenAI entrenado para rechazar hipótesis débiles. No para atenuarlas. No para ayudar al usuario a encontrar evidencia que las apoye. Rechazarlas. Para los equipos farmacéuticos que han perdido meses persiguiendo dianas sugeridas por la IA que no sobrevivieron la validación en el laboratorio, esta calibración puede resultar ser el cambio individual más valioso de todos.

Hay una pieza separada de este lanzamiento que la mayoría de las coberturas pasó por alto, y que importa más fuera de Estados Unidos que dentro. El complemento de investigación de Codex Life Sciences está disponible gratuitamente en GitHub. Funciona con los modelos principales de OpenAI i.e GPT-5.4 y otros —no solo con GPT-Rosalind. Se conecta a más de cincuenta herramientas científicas y fuentes de datos que abarcan genética humana, genómica funcional, estructura de proteínas, bioquímica, evidencia clínica y descubrimiento de estudios públicos. Incluye un enrutador de investigación que sintetiza respuestas fundamentadas en evidencia, y subagentes que trabajan en paralelo cuando las vías de datos son independientes.

Para un equipo de investigación que no califica para Trusted Access, que es la mayoría del mundo, el plugin por sí solo cubre una porción sustancial de las ganancias prácticas en el flujo de trabajo. No todas. La mayoría.

El Programa de Acceso Confiable: y por qué es la verdadera historia

Lo más distintivo de GPT-Rosalind no es lo que hace el modelo. Es quién tiene permitido usarlo.

Para calificar para Trusted Access, una organización debe cumplir tres condiciones: investigación científica legítima con claro beneficio público; controles de gobernanza, cumplimiento y prevención de abuso ya implementados; acceso limitado a usuarios aprobados en entornos seguros y bien gestionados. En el lanzamiento, la elegibilidad está restringida a clientes empresariales cualificados en Estados Unidos. Durante la vista previa de investigación, el uso no descuenta los créditos existentes de OpenAI del cliente —sujeto a salvaguardas contra el abuso.

OpenAI no está vendiendo un modelo. Está operando un programa evaluado. La lista de socios de lanzamiento es corta y deliberada: Amgen, Moderna, Novo Nordisk, Thermo Fisher Scientific, the Allen Institute, Dyno Therapeutics, Oracle, NVIDIA, Benchling, the UCSF School of Pharmacy. Estos no son solo clientes. Son la base de evidencia temprana para si este modelo de acceso puede escalar.

Lea con cuidado: esto es una ruptura significativa con la forma en que se han distribuido los modelos fundacionales antes. Un programa evaluado —con gobernanza empresarial, sin entrenamiento con datos de clientes y con usuarios institucionales nombrados— es materialmente más fácil para un CISO o un comité de cumplimiento de defender que una API pública. Para compradores farmacéuticos en EE. UU., la restricción reduce el riesgo. Para el resto de la industria farmacéutica global —incluidos los mayores fabricantes de genéricos de India y gran parte de la base investigadora de Europa— introduce un tipo diferente de riesgo: exclusión estructural en el lanzamiento.

El subtexto competitivo, como puso la publicación comercial Implicator en su cobertura del lanzamiento, es que el acceso controlado puede ser en sí mismo el producto. Al restringir quién entra y en qué términos, OpenAI está haciendo algo que los proveedores de modelos fundacionales no habían hecho antes: convertir la gobernanza en un foso.

La cuestión de la bioseguridad es real

La razón de la restricción no es solo comercial. También se trata genuinamente del uso indebido.

La biología es lo que los investigadores en bioseguridad llaman un dominio de doble uso. Un modelo que puede interpretar datos genómicos, razonar sobre la biología de patógenos y proponer modificaciones moleculares para mejorar la afinidad de unión es, por definición, uno que, en manos equivocadas, podría ayudar en el diseño de patógenos peligrosos. Esto no es una preocupación hipotética. Los investigadores en bioseguridad lo han señalado de forma consistente a medida que la capacidad de la IA afinada para biología ha mejorado.

La respuesta de OpenAI combina la evaluación institucional con rechazos técnicos. Tanto GPT-Rosalind como el Codex Life Sciences plugin contienen rechazos codificados alrededor de precursores de armas biológicas, trabajos de gain-of-function en patógenos y la síntesis de sustancias controladas. La investigación legítima sobre patógenos peligrosos sigue siendo posible pero solo a través de acuerdos institucionales, no mediante el plugin abierto.

Para los líderes farmacéuticos a nivel mundial, la señal práctica es esta: a medida que la IA en ciencias de la vida madura, el marco regulatorio a su alrededor se endurecerá, no se aflojará. El AI Act de la Unión Europea, en vigor desde agosto de 2024 y en fase de implementación, clasifica los sistemas de IA utilizados en aplicaciones médicas y de ciencias de la vida como de alto riesgo, lo que desencadena evaluaciones de conformidad obligatorias, obligaciones de transparencia y requisitos de supervisión humana. Los marcos regulatorios de India aún no se han puesto al día, pero la dirección está marcada.

Las organizaciones que comiencen a desarrollar madurez de gobernanza en torno al uso de IA en I+D hoy estarán sustancialmente mejor posicionadas que aquellas que esperen a que lleguen las normas.

Lo que los laboratorios asociados están haciendo realmente

Los socios de lanzamiento nombrados ofrecen un adelanto útil de dónde se probará GPT-Rosalind con mayor intensidad.

Amgen ha invertido en I+D basada en datos durante más de una década. Sean Bruich, su Senior Vice President of Artificial Intelligence and Data, ha enmarcado la colaboración como una forma de aplicar capacidades y herramientas avanzadas para acelerar cómo Amgen entrega medicamentos a los pacientes. El detalle clave es si Amgen integra el modelo en la validación de dianas y en los flujos de trabajo de biología temprana, o lo limita a la síntesis de literatura. Lo primero es transformador. Lo segundo es incremental.

Moderna es la más pública respecto a sus ambiciones en IA. Stéphane Bancel, su Chief Executive Officer, ha declarado que Moderna ya está usando GPT-Rosalind para sintetizar datos complejos y traducir ideas en flujos experimentales. Para una empresa con plataforma de ARNm, las aplicaciones directas son la identificación rápida de antígenos, la optimización de codones y el diseño de secuencias de ARNm, todas las cuales encajan claramente con las fortalezas que GPT-Rosalind afirma tener.

The Allen Institute ofrece una perspectiva diferente. Andy Hickl, su Chief Technology Officer, ha destacado lo que GPT-Rosalind aporta a la consistencia y repetibilidad en pasos que siempre han sido manuales, como la búsqueda de datos, la alineación de conjuntos de datos, la estructuración de consultas y más, dentro de un flujo de trabajo agente. Este es el centro poco glamuroso de la pila de investigación. Es donde los ahorros de tiempo realmente se componen.

Novo Nordisk firmó una alianza estratégica separada y más amplia con OpenAI el 14 de abril de 2026, apenas dos días antes del anuncio de GPT-Rosalind, que cubre aplicaciones "from drug discovery to commercial." Esta es la señal más reveladora de las dos: una gran compañía farmacéutica comprometiéndose a integrar la IA no en un único flujo de trabajo, sino a lo largo de descubrimiento, fabricación, cadena de suministro y operaciones comerciales. GPT-Rosalind es un componente de esa arquitectura, no su totalidad.

Los socios fuera del sector farmacéutico son igualmente reveladores. Thermo Fisher Scientific opera la capa de infraestructura de laboratorio. Benchling gestiona el cuaderno de laboratorio electrónico usado por gran parte de la industria biotecnológica. Oracle y NVIDIA aportan datos y computación. Juntos, estos son el sustrato en el que se está tejiendo GPT-Rosalind. El panorama, en conjunto, no es un único modelo desplegado sino una pila emergente: modelo, herramientas, infraestructura empresarial y acceso verificado, ensamblándose alrededor del problema del descubrimiento temprano.

Lo que esto significa para la industria farmacéutica india y los fabricantes globales de genéricos

Para los lectores farmacéuticos en India y en los fabricantes mundiales de genéricos y biosimilares, GPT-Rosalind plantea una cuestión estratégica con dos aristas distintas.

La primera es la asimetría de acceso. El Trusted Access Program, en su lanzamiento, es únicamente para Estados Unidos. La cohorte inicial está dominada por innovadores con marca como Amgen, Moderna y Novo Nordisk. Los principales fabricantes genéricos de India, que suministran una parte sustancial de los medicamentos genéricos consumidos en el mercado de EE. UU., no aparecen actualmente en ninguna lista de socios. Si las restricciones geográficas y de gobernanza persisten a medida que el programa se expande, los fabricantes con sede en EE. UU. que cumplan los requisitos acumularán ventajas en capacidades de IA en identificación de objetivos, diseño de formulaciones y análisis de anterioridad que sus contrapartes no estadounidenses no podrán igualar por el mismo canal.

DrugPatentWatch señaló en su análisis de lanzamiento que entre 2026 y 2030, más de $236 billion en ingresos farmacéuticos con marca están en riesgo por la competencia de genéricos y biosimilares. El mismo modelo que ayuda a un innovador a encontrar nuevas dianas puede, en otras manos, acelerar el trabajo de diseño alternativo que erosiona su cartera de patentes. Esa dinámica no es nueva. La velocidad a la que ahora opera sí puede serlo.

La segunda arista es más inmediatamente accionable. El plugin Codex Life Sciences para investigación es gratuito, está en GitHub, y funciona con los modelos principales de OpenAI. No se requiere Trusted Access. Para los equipos de I+D, formulación y regulatorios de India, el plugin por sí solo cubre una parte significativa de las ganancias prácticas en los flujos de trabajo: conectarse a más de 50 bases de datos científicas, automatizar la síntesis de evidencia y reducir las transferencias manuales entre la revisión bibliográfica, la búsqueda en bases de datos y el análisis. El plugin no dará a los equipos indios todo lo que tiene Amgen. Les dará sustancialmente más de lo que tenían hace dos meses.

La pregunta más difícil es qué significa esta trayectoria para la estructura de la industria farmacéutica india en los próximos cinco años. La escala de fabricación de India, su experiencia regulatoria y su base de costes siguen siendo ventajas formidables. Las capacidades de IA, como el acceso a modelos, la infraestructura interna, la madurez de gobernanza y el talento científico que domina la IA, son un eje emergente sobre el que la posición competitiva se redibujará. La ventana para empezar a construir esa capacidad es ahora. No cuando GPT-Rosalind, o sus sucesores, estén generalmente disponibles.

La carrera de descubrimiento de fármacos con IA ya está redibujando la posición competitiva a nivel global.

Un desglose por regiones de quién lidera y qué hacen realmente sus plataformas.

→ Leer: Principales empresas de descubrimiento de fármacos con IA en 2026

Lo que GPT-Rosalind no es

Una lectura fría del lanzamiento requiere decir qué es lo que el modelo no hace.

No es un producto terminado. OpenAI lo ha llamado una research preview. El modelo no superó a GPT-5.4 en cinco de las once familias de tareas de LABBench2. La composición de sus datos de entrenamiento no se ha divulgado en detalle. Existe una brecha significativa para un sistema destinado a I+D regulada, donde la reproducibilidad y la procedencia no son opcionales.

No es una mejora de propósito general. En razonamiento amplio, programación o trabajos no relacionados con biología, GPT-5.4 sigue siendo el modelo más fuerte. GPT-Rosalind ha cambiado amplitud por profundidad.

No es un sustituto de la validación de laboratorio. El modelo puede afinar una hipótesis. No puede ponerla a prueba. Las alucinaciones específicas del dominio, que son afirmaciones seguras pero incorrectas sobre una interacción fármaco-blanco o el comportamiento de una secuencia, pueden desperdiciar meses de trabajo de banco o, peor, introducir razonamientos defectuosos en la planificación clínica. El encuadre de Trusted Access existe en parte porque se necesitan socios expertos para auditar y validar las salidas.

No es un predictor de estructuras. El plegamiento sigue siendo trabajo de AlphaFold 3, Chai-1 y otros especialistas.

Y por sí solo no es prueba de que la IA comprimirá los plazos de desarrollo de fármacos. Implicator, entre otros, lo ha expresado con claridad: la verdadera prueba de GPT-Rosalind no serán las puntuaciones de referencia. Serán los IND filings y las Investigational New Drug applications que surjan en los próximos dos o tres años de los programas asociados. La industria farmacéutica ha visto muchos lanzamientos de IA seguidos de pocas moléculas aprobadas. Ese patrón se mantendrá o se romperá en función de los datos, no de los anuncios.

Lo que los líderes farmacéuticos deben vigilar en 24 a 36 meses

Para los altos directivos de I+D, regulación y negocio, la lista de vigilancia es corta y concreta.

IND filings de los programas asociados. Amgen, Moderna, the Allen Institute y Novo Nordisk son la evidencia temprana basada en hechos. Estén atentos a las moléculas cuyas historias de origen citen explícitamente a GPT-Rosalind en la selección de blanco, la generación de hipótesis o el diseño experimental. Los comunicados de prensa no serán la señal. Lo serán las presentaciones regulatorias.

Expansión de los programas. Estén atentos a cuándo y si OpenAI extiende Trusted Access más allá de los Estados Unidos y en qué condiciones. El trato a los solicitantes europeos, en particular, revelará cómo se interpreta en la práctica la EU AI Act. El acceso indio irá rezagado. Cómo se rezagueará importará.

Los próximos modelos de la serie. OpenAI ha sido explícito: GPT-Rosalind es la primera versión de una serie para ciencias de la vida. Los modelos subsiguientes probablemente profundizarán en subdominios específicos como el diseño de ensayos clínicos, las presentaciones regulatorias y la química relevante para la fabricación. Cada versión nos dirá más sobre dónde emergen las mayores ganancias de productividad.

La respuesta competitiva. Anthropic tiene su propio posicionamiento en ciencias de la vida. Isomorphic Labs sigue publicando. Amazon Bio Discovery se lanzó la misma semana que GPT-Rosalind. NVIDIA está construyendo infraestructura especializada. Dentro de tres años, la pregunta más interesante quizá no sea si GPT-Rosalind funcionó, sino qué enfoque —modelos de razonamiento afinados por dominio, modelos generativos biológicos especializados o plataformas de descubrimiento verticalmente integradas— produjo las primeras moléculas originadas por IA que superen la Fase 3.

La lectura de Pharma Now

GPT-Rosalind no es ni el avance que sugería alguna cobertura inicial ni el artilugio que los lectores fatigados por la IA podrían descartar. Es un primer movimiento serio, deliberadamente restringido y cuidadosamente asociado por parte de la compañía de modelos de base más influyente del mundo en un dominio que ha resistido las ganancias de productividad de la IA durante veinte años.

La pregunta inmediata para los líderes de I+D farmacéutica no es si estar emocionados. Es si la organización tiene la infraestructura, la madurez de gobernanza y el talento científico familiarizado con la IA para usar herramientas como esta cuando se abra el acceso. Para los fabricantes indios y otros fuera de EE. UU., la cuestión es más aguda: lo que se construya en los próximos dieciocho meses usando el plugin Codex de libre acceso y los modelos principales determinará la rapidez con que Trusted Access, o sus sucesores, se traduzcan en posición competitiva cuando se relajen las barreras geográficas.

El modelo recibe el nombre de una mujer cuyos datos fueron utilizados sin darle crédito, cuyo nombre apenas se pronunció cuando se otorgó el premio y cuya contribución al descubrimiento de la estructura del ADN estuvo, durante demasiado tiempo, poco reconocida porque las puertas institucionales de la ciencia de mediados del siglo XX le estaban cerradas.

El nombramiento es, en este sentido, más punzante de lo que parece a primera vista.

Los próximos veinticuatro meses nos dirán si las puertas alrededor de la IA en biología se están construyendo de manera responsable o si, otra vez, se están cerrando en torno a las personas equivocadas.

Pharma Now seguirá rastreando el despliegue de GPT-Rosalind, los programas asociados y la trayectoria de acceso global a medida que evolucione la vista previa de investigación. Las señales vendrán de las presentaciones regulatorias, no de los comunicados de prensa.

Fuentes y notas

Primarias: OpenAI, "Introducing GPT-Rosalind for life sciences research" (16 April 2026); documentación del OpenAI Help Center sobre GPT-Rosalind y el Trusted Access Program.

Secundarias verificadas cruzadamente: FierceBiotech (17 April 2026); VentureBeat; Pharmaphorum; TechTarget; Lab Manager; Euronews; Implicator; DrugPatentWatch (artículos de análisis sobre GPT-Rosalind, medicamentos genéricos y desarrollo de fármacos); Nerd Level Tech; AnthemCreation; PitchBook (informe de enero de 2026 sobre inversión en descubrimiento de fármacos con IA).

Comentarios de la industria: Sean Bruich (Amgen), Stéphane Bancel (Moderna), Andy Hickl (Allen Institute), Kimberly Powell (NVIDIA), Sam Altman (OpenAI).

Benchmarks citados — BixBench by Edison Scientific, LABBench2, la evaluación de Dyno Therapeutics. Cifras tal como las publicó OpenAI en el lanzamiento y confirmadas por FierceBiotech y VentureBeat. Fechadas en la ventana de lanzamiento de abril de 2026; todas las cifras deben ser re-verificadas frente a cualquier publicación actualizada de OpenAI antes de su republicación.

Nota sobre la biografía de Rosalind Franklin — Photo 51 fue capturada en mayo de 1952 en King's College London; el artículo de Watson–Crick se publicó en Nature, abril de 1953; el Premio Nobel se otorgó en 1962, cuatro años después de la muerte de Franklin por cáncer de ovario en 1958 a los 37 años. Fuentes biográficas estándar.