GPT-Rosalind, expliqué : ce que le premier modèle sciences de la vie d'OpenAI change réellement pour la R&D pharmaceutique

Les données d'une chimiste britannique, prises sans qu'on lui en attribue le mérite, ont aidé à révéler la structure de l'ADN en 1953. Soixante-treize ans plus tard, le modèle qu'OpenAI a nommé d'après elle vient d'être déployé dans les laboratoires pharmaceutiques du monde entier et il a été construit derrière le même type de barrières auxquelles Rosalind Franklin a passé sa carrière à se heurter.

Un modèle nommé d'après une femme qui a été tenue à l'écart

En mai 1952, dans un laboratoire en sous-sol du King's College London, une chimiste de 31 ans nommée Rosalind Franklin prit une seule radiographie par rayons X d'une fibre d'ADN. Elle l'étiqueta Photo 51. L'image d'une croix de taches sombres sur un fond pâle était la représentation la plus précise de la structure de l'ADN jamais obtenue.

Quelques mois plus tard, sans son autorisation, la photographie fut montrée à deux chercheurs de Cambridge : James Watson et Francis Crick. Ils la regardèrent une fois. À partir de cette unique visualisation, ils reconstituèrent l'hélice double. Le prix Nobel décerné en 1962 fut attribué à Watson, Crick et au collègue de Franklin, Maurice Wilkins. Franklin était décédée d'un cancer de l'ovaire quatre ans auparavant, à trente-sept ans, et le prix n'est pas décerné à titre posthume. Son nom est à peine mentionné dans leurs discours d'acceptation.

Le 16 avril 2026, OpenAI a publié son premier modèle de raisonnement pour les sciences de la vie et l'a nommé d'après elle. Le choix était délibéré. L'ironie, moins.

GPT-Rosalind est, de toute évidence, l'un des lancements d'IA les plus strictement verrouillés que l'industrie ait vus. Il est disponible uniquement aux États-Unis, uniquement pour des clients d'entreprise vérifiés, uniquement via ce qu'OpenAI appelle un Trusted Access Program. Les partenaires de lancement sont Amgen, Moderna, Novo Nordisk, the Allen Institute, Thermo Fisher Scientific, Dyno Therapeutics. Le modèle porte le nom d'une femme qui, de son vivant, a été tenue à l'écart de presque toutes les barrières qui comptaient.

Pour les dirigeants pharmaceutiques qui regardent depuis l'Inde, l'Europe, ou depuis tout laboratoire qui ne figure pas sur cette liste de partenaires — la question que pose ce lancement n'est pas ce que GPT-Rosalind peut faire. C'est ce que cela signifie qu'OpenAI ait décidé, avec tant de soin, qui peut l'utiliser.

Ce que le modèle est réellement

Dépouillé du marketing, GPT-Rosalind est un modèle de raisonnement affiné pour la biologie.

Cette distinction compte plus qu'il n'y paraît. GPT-5.4, le modèle généraliste phare d'OpenAI, est performant en codage, écriture, analyse et raisonnement scientifique large. Il peut expliquer CRISPR. Il ne peut pas, avec confiance, évaluer la conception d'un guide ARN et raisonner sur son activité hors cible prédite. GPT-Rosalind est conçu pour faire cela.

OpenAI a été précis sur les domaines d'utilité du modèle. Découverte en phase précoce : identification de cibles, validation de cibles, compréhension des mécanismes, synthèse de la littérature et interprétation des « omics » — l'analyse des jeux de données génomiques, transcriptomiques et protéomiques. Pas de formulation. Pas d'usage commercial. Pas d'usage orienté patient. Le modèle vit dans les 24 à 36 premiers mois de la vie d'un médicament, quand une hypothèse est encore une question.

Il est accessible via trois interfaces : ChatGPT Enterprise, Codex (l'environnement de développement d'OpenAI, désormais étendu avec un plugin de recherche en sciences de la vie) et l'OpenAI API pour les flux de travail de recherche internes. SOC 2 Type 2, aligné HIPAA, BAAs disponibles, contrôles d'accès basés sur les rôles, pas d'entraînement sur les données client. L'ossature de conformité a été construite avant la sortie du modèle, pas après.

Une précision technique, car c'est là que la plupart des premières couvertures ont erré : GPT-Rosalind ne replie pas les protéines. C'est un orchestrateur. Lorsqu'une structure 3D est nécessaire, AlphaFold 3 ou Chai-1 est appelé. Lorsqu'une recherche de séquence est nécessaire, il interroge une base de données. La contribution du modèle n'est pas un calcul brut ; c'est un jugement sur quel spécialiste solliciter, et comment lire la réponse.

Pensez-y moins comme un nouveau microscope et davantage comme un chercheur associé senior qui sait quel microscope utiliser.

GPT-Rosalind soulève des questions de gouvernance auxquelles l'industrie pharmaceutique régulée apprend encore à répondre.

Le contrat épistémique pour l'IA en GxP va plus loin que ce que la plupart des laboratoires anticipent.

→ Lire : L'IA dans la pharmacie GxP : le nouveau contrat épistémique | Dr. Ajaz S. Hussain

Ce que disent réellement les benchmarks

OpenAI a publié des chiffres sur trois évaluations. Ils valent la peine d'être lus attentivement et avec l'étalonnage que les responsables de recherche expérimentés apportent à tout score publié par un fournisseur.

BixBench est un benchmark de bioinformatique d'Edison Scientific. Il place un agent d'IA devant un notebook Jupyter vide et lui demande de réaliser de la biologie computationnelle réelle, sur 53 scénarios d'analyse et 296 questions. GPT-Rosalind a obtenu un Pass@1 de 0,751. GPT-5.4 a obtenu 0,732. GPT-5 a obtenu 0,728. Grok 4.2 a obtenu 0,698. Gemini 3.1 Pro a obtenu 0,550.

Deux points d'avance sur le meilleur généraliste sont significatifs. Ce n'est pas un saut générationnel.

LABBench2 est le test plus large, environ 1 900 tâches réparties en onze familles de tâches de recherche couvrant la récupération de littérature, la manipulation de séquences, la conception de protocoles et plus encore. GPT-Rosalind a battu GPT-5.4 sur six des onze familles. L'écart le plus important est apparu dans CloningQA, la conception de bout en bout d'ADN et de réactifs enzymatiques pour les protocoles de clonage moléculaire.

GPT-5.4 a néanmoins gagné sur cinq des onze. Lecture honnête : c'est un outil utile, pas un produit fini.

L'évaluation de Dyno Therapeutics est celle qu'il faut prendre au sérieux. Dyno a utilisé des séquences d'ARN inédites et jamais vues auparavant que OpenAI a qualifiées de « uncontaminated » (non contaminées), c'est-à-dire des séquences que le modèle n'avait aucune chance d'avoir vues pendant l'entraînement. Sur la prédiction séquence→fonction, les meilleurs des dix résultats du modèle se sont classés au-dessus du 95e centile des experts humains. Sur la génération de séquences, il a atteint environ le 84e centile.

Pour un modèle alimenté uniquement avec ce qu'il n'avait jamais vu, se classer au-dessus de 95 % des experts humains est le type de résultat qui, s'il se confirme à travers des évaluations plus larges et variées, change la façon dont une équipe de découverte précoce alloue son temps. Ce n'est pas une victoire de benchmark. C'est un signal de flux de travail.

Ce que cela fait réellement en laboratoire

Les capacités se concentrent sur les parties de la découverte précoce les plus étranglées par le travail manuel de données.

Une équipe de découverte de cibles se demande : la Protéine X est-elle une cible thérapeutique viable dans la maladie Y ? Le modèle ingère la question et raisonne à travers la littérature publiée, les bases de données génomiques et protéomiques publiques, et les données expérimentales internes de l'équipe. Il met en évidence les éléments de preuve favorables. Il met en évidence les contradictions. Il signale les lacunes. Il génère des hypothèses concurrentes, les évalue et propose des expériences de suivi. Il interprète des sorties multi-omiques. Il rédige le type de synthèse structurée qui, jusqu'à présent, prenait trois jours à un biologiste senior.

Ce qui sépare ceci des assistants IA antérieurs, ce sont deux choses : l'utilisation d'outils, et le scepticisme.

L'utilisation d'outils, parce que GPT-Rosalind est conçu pour appeler d'autres systèmes — des prédicteurs de structure, des outils de recherche de séquences, des environnements statistiques — et intégrer leurs résultats dans son raisonnement. Il est l'orchestrateur, pas le goulot d'étranglement.

Le scepticisme, parce que GPT-Rosalind est le premier modèle OpenAI entraîné à rejeter les hypothèses faibles. Pas à les atténuer. Pas à aider l'utilisateur à trouver des éléments de preuve favorables. Les rejeter. Pour les équipes pharmaceutiques qui ont perdu des mois à poursuivre des cibles suggérées par l'IA qui n'ont pas survécu à la validation en laboratoire, ce calibrage pourrait s'avérer être le changement unique le plus précieux de tous.

Il y a une autre partie de ce lancement que la plupart des couvertures ont manquée, et elle compte davantage en dehors des États-Unis qu'à l'intérieur. Le plugin de recherche Codex Life Sciences est disponible gratuitement sur GitHub. Il fonctionne avec les modèles principaux d'OpenAI i.e GPT-5.4 et autres — pas seulement GPT-Rosalind. Il se connecte à plus de cinquante outils et sources de données scientifiques couvrant la génétique humaine, la génomique fonctionnelle, la structure des protéines, la biochimie, les preuves cliniques et la découverte d'études publiques. Il inclut un routeur de recherche qui synthétise des réponses étayées par des preuves, et des sous-agents qui travaillent en parallèle lorsque les voies de données sont indépendantes.

Pour une équipe de recherche qui ne se qualifie pas pour Trusted Access, ce qui est le cas de la plupart du monde, le plugin seul couvre une portion substantielle des gains pratiques de flux de travail. Pas tous. La plupart.

Le Trusted Access Program — et pourquoi c'est la vraie histoire

La chose la plus distinctive à propos de GPT-Rosalind n'est pas ce que fait le modèle. C'est qui est autorisé à l'utiliser.

Pour être éligible au Trusted Access, une organisation doit satisfaire trois conditions : recherche scientifique légitime avec un bénéfice public clair ; gouvernance, conformité et contrôles de prévention des abus déjà en place ; accès limité aux utilisateurs approuvés dans des environnements sécurisés et bien gérés. Au lancement, l'éligibilité est limitée aux clients d'entreprise qualifiés aux États-Unis. Pendant l'aperçu de recherche, l'utilisation ne décompte pas les crédits OpenAI existants d'un client — sous réserve de garde-fous contre les abus.

OpenAI ne vend pas un modèle. Il exploite un programme vérifié. La liste des partenaires de lancement est courte et délibérée : Amgen, Moderna, Novo Nordisk, Thermo Fisher Scientific, the Allen Institute, Dyno Therapeutics, Oracle, NVIDIA, Benchling, the UCSF School of Pharmacy. Ce ne sont pas seulement des clients. Ce sont la base de preuves initiale pour savoir si ce modèle d'accès peut être étendu.

Lisez attentivement, il s'agit d'une rupture significative avec la façon dont les modèles fondamentaux ont été distribués auparavant. Un programme vérifié — avec gouvernance d'entreprise, pas d'entraînement sur les données clients, et des utilisateurs institutionnels nommés — est matériellement plus facile pour un RSSI ou un comité de conformité à défendre qu'une API publique. Pour les acheteurs pharmaceutiques aux États-Unis, la porte réduit le risque. Pour le reste de l'industrie pharmaceutique mondiale — y compris les plus grands fabricants génériques d'Inde et la majeure partie de la base de recherche européenne — cela introduit un autre type de risque : l'exclusion structurelle au lancement.

Le sous-texte concurrentiel, comme le magazine professionnel Implicator l'a indiqué dans sa couverture du lancement, est que l'accès contrôlé peut lui-même être le produit. En restreignant qui entre et selon quelles conditions, OpenAI fait quelque chose que les fournisseurs de modèles fondamentaux n'avaient pas fait auparavant : transformer la gouvernance en fossé concurrentiel.

La question de la biosécurité est réelle

La raison de la limitation n'est pas seulement commerciale. Il s'agit aussi véritablement d'un risque d'utilisation abusive.

La biologie est ce que les chercheurs en biosécurité appellent un domaine à double usage. Un modèle capable d'interpréter des données génomiques, de raisonner sur la biologie des agents pathogènes et de proposer des modifications moléculaires pour améliorer l'affinité de liaison est, par définition, un modèle qui pourrait, entre de mauvaises mains, aider à la conception d'agents pathogènes dangereux. Ce n'est pas une préoccupation hypothétique. Les chercheurs en biosécurité l'ont signalé de manière constante à mesure que la capacité des IA adaptées à la biologie s'est améliorée.

La réponse d'OpenAI combine une sélection institutionnelle et des refus techniques. Tant GPT-Rosalind que le plugin Codex Life Sciences contiennent des refus codés en dur autour des précurseurs d'armes biologiques, des travaux de gain de fonction sur des agents pathogènes et de la synthèse de substances contrôlées. La recherche légitime sur des agents pathogènes dangereux reste possible mais uniquement par le biais d'accords institutionnels, pas via le plugin ouvert.

Pour les dirigeants pharmaceutiques du monde entier, le signal pratique est le suivant : à mesure que l'IA en sciences de la vie mûrit, le cadre réglementaire autour de celle-ci se resserrera, pas l'inverse. Le AI Act de l'Union européenne, en vigueur depuis août 2024 et en cours de déploiement, classe les systèmes d'IA utilisés dans les applications médicales et des sciences de la vie comme à haut risque, déclenchant des évaluations de conformité obligatoires, des obligations de transparence et des exigences de supervision humaine. Les cadres réglementaires indiens n'ont pas encore rattrapé le retard, mais la direction est tracée.

Les organisations qui commencent aujourd'hui à développer leur maturité en matière de gouvernance autour de l'utilisation de l'IA en R&D seront substantiellement mieux positionnées que celles qui attendent l'arrivée des règles.

Ce que les laboratoires partenaires font réellement

Les partenaires de lancement nommés offrent un aperçu utile des domaines où GPT-Rosalind sera testé le plus intensivement.

Amgen a investi dans la R&D axée sur les données pendant plus d'une décennie. Sean Bruich, son Senior Vice President of Artificial Intelligence and Data, a présenté la collaboration comme un moyen d'appliquer des capacités et des outils avancés pour accélérer la façon dont Amgen fournit des médicaments aux patients. Le détail essentiel est de savoir si Amgen intègre le modèle dans la validation des cibles et les flux de travail de biologie précoce, ou le limite à la synthèse de la littérature. La première option est transformatrice. La seconde est incrémentale.

Moderna est la plus publique quant à ses ambitions en matière d'IA. Stéphane Bancel, son Chief Executive Officer, a déclaré que Moderna utilise déjà GPT-Rosalind pour synthétiser des données complexes et traduire les insights en protocoles expérimentaux. Pour une entreprise à plateforme d'ARNm, les applications directes sont l'identification rapide d'antigènes, l'optimisation des codons et la conception de séquences d'ARNm, qui relèvent toutes directement des forces revendiquées de GPT-Rosalind.

The Allen Institute offre un autre regard. Andy Hickl, son Chief Technology Officer, a souligné ce que GPT-Rosalind apporte en termes de cohérence et de répétabilité dans des étapes qui ont toujours été manuelles, comme la recherche de données, l'alignement des jeux de données, la structuration des requêtes, et plus encore, au sein d'un flux de travail agentique. C'est le milieu peu glamour de la pile de recherche. C'est là que les gains de temps se composent réellement.

Novo Nordisk a signé une alliance stratégique distincte et plus large avec OpenAI le 14 avril 2026, deux jours seulement avant l'annonce de GPT-Rosalind, couvrant des applications "from drug discovery to commercial." C'est le signal le plus révélateur des deux : une grande entreprise pharmaceutique s'engageant à intégrer l'IA non pas dans un seul flux de travail, mais à travers la découverte, la fabrication, la chaîne d'approvisionnement et les opérations commerciales. GPT-Rosalind est un composant de cette architecture, pas son ensemble.

Les partenaires non pharmaceutiques sont tout aussi révélateurs. Thermo Fisher Scientific opère la couche d'infrastructure de laboratoire. Benchling gère le cahier de laboratoire électronique utilisé par une grande partie de l'industrie biotech. Oracle et NVIDIA apportent données et capacité de calcul. Ensemble, ils constituent le substrat dans lequel GPT-Rosalind est en cours d'intégration. Le tableau, dans l'ensemble, n'est pas le déploiement d'un modèle unique mais l'émergence d'une pile : modèle, outils, infrastructure d'entreprise et accès vérifié, assemblés autour du problème de la découverte précoce.

Ce que cela signifie pour la pharma indienne et les fabricants génériques mondiaux

Pour les lecteurs du secteur pharmaceutique en Inde et pour les fabricants mondiaux de génériques et de biosimilaires, GPT-Rosalind soulève une question stratégique à deux volets distincts.

Le premier est l'asymétrie d'accès. Le Trusted Access Program, au lancement, est uniquement aux États-Unis. La cohorte de lancement est dominée par des innovateurs de marques comme Amgen, Moderna et Novo Nordisk. Les grands fabricants génériques indiens, qui fournissent une part substantielle des médicaments génériques consommés sur le marché américain, n'apparaissent actuellement sur aucune liste de partenaires. Si les restrictions géographiques et de gouvernance persistent à mesure que le programme s'étend, les fabricants basés aux États-Unis qui se qualifieront accumuleront des avantages en capacités d'IA dans l'identification de cibles, la conception de formulations et l'analyse de l'art antérieur que leurs homologues non américains ne pourront égaler via le même canal.

DrugPatentWatch a noté dans son analyse de lancement qu'entre 2026 et 2030, plus de 236 milliards de dollars de revenus pharmaceutiques de marque sont exposés au risque de concurrence des génériques et des biosimilaires. Le même modèle qui aide un innovateur à trouver de nouvelles cibles peut, entre d'autres mains, accélérer le travail de contournement qui érode leur portefeuille de brevets. Cette dynamique n'est pas nouvelle. La vitesse à laquelle elle opère désormais peut l'être.

Le second volet est plus immédiatement exploitable. Le plugin de recherche Codex Life Sciences est gratuit, sur GitHub, et fonctionne avec les modèles principaux d'OpenAI. Aucun Trusted Access requis. Pour les équipes indiennes de R&D, de formulation et réglementaires, le plugin couvre à lui seul une part significative des gains opérationnels pratiques : connexion à 50+ bases de données scientifiques, automatisation de la synthèse des preuves et réduction des transmissions manuelles entre la revue de la littérature, la recherche en base de données et l'analyse. Le plugin ne donnera pas aux équipes indiennes tout ce qu'Amgen possède. Il leur donnera sensiblement plus qu'il y a deux mois.

La question la plus difficile est ce que cette trajectoire signifie pour la structure de l'industrie pharmaceutique indienne au cours des cinq prochaines années. L'échelle de fabrication de l'Inde, son expérience réglementaire et sa base de coûts demeurent des avantages considérables. Les capacités d'IA, telles que l'accès aux modèles, l'infrastructure interne, la maturité de la gouvernance et les talents scientifiques familiers de l'IA, constituent un axe émergent sur lequel la position concurrentielle sera redessinée. La fenêtre pour commencer à construire cette capacité est maintenant. Pas quand GPT-Rosalind, ou ses successeurs, deviendront généralement disponibles.

La course à la découverte de médicaments par l'IA redessine déjà la position concurrentielle à l'échelle mondiale.

Une répartition par région de qui mène et de ce que leurs plateformes font réellement.

→ Lire : Principales sociétés de découverte de médicaments par IA en 2026

Ce que GPT-Rosalind n'est pas

Une lecture lucide du lancement exige de dire ce que le modèle ne fait pas.

Ce n'est pas un produit fini. OpenAI l'a qualifié d'aperçu de recherche. Le modèle n'a pas réussi à dépasser GPT-5.4 sur cinq des onze familles de tâches LABBench2. La composition de ses données d'entraînement n'a pas été divulguée en détail. Il existe un écart significatif pour un système destiné à la R&D régulée, où reproductibilité et traçabilité ne sont pas optionnelles.

Ce n'est pas une mise à niveau polyvalente. En matière de raisonnement général, de codage ou de travaux non biologiques, GPT-5.4 reste le modèle le plus performant. GPT-Rosalind a échangé l'étendue contre la profondeur.

Ce n’est pas un substitut à la validation en laboratoire. Le modèle peut affiner une hypothèse. Il ne peut pas la tester. Les hallucinations spécifiques au domaine, qui sont des affirmations confiantes mais incorrectes concernant une interaction médicament-cible ou le comportement d’une séquence, peuvent faire perdre des mois de travail au banc ou, pire, propager un raisonnement erroné dans la planification clinique. Le cadrage Trusted Access existe en partie parce que des partenaires experts sont nécessaires pour auditer et valider les résultats.

Ce n’est pas un prédicteur de structure. Le repliement reste le travail d’AlphaFold 3, Chai-1 et d’autres spécialistes.

Et à lui seul, ce n’est pas une preuve que l’IA va compresser les délais de développement des médicaments. Implicator, entre autres, l’a dit clairement : le véritable test de GPT-Rosalind ne sera pas les scores de référence. Ce seront les dépôts IND et les demandes d’Investigational New Drug qui émergeront au cours des deux à trois prochaines années des programmes partenaires. L’industrie pharmaceutique a vu de nombreux lancements d’IA suivis de quelques molécules approuvées. Ce schéma tiendra ou se rompra sur la base des données, et non des annonces.

Ce que les dirigeants du secteur pharmaceutique doivent suivre sur 24 à 36 mois

Pour les cadres supérieurs de la R&D, de la réglementation et des affaires, la liste de surveillance est courte et concrète.

Dépôts IND issus des programmes partenaires. Amgen, Moderna, the Allen Institute et Novo Nordisk constituent les premières preuves fondées sur des données. Surveillez les molécules dont les récits d’origine citent explicitement GPT-Rosalind pour la sélection de la cible, la génération d’hypothèses ou la conception expérimentale. Les communiqués de presse ne seront pas le signal. Ce seront les dossiers réglementaires.

Expansion des programmes. Surveillez quand et si OpenAI étend Trusted Access au-delà des États-Unis et à quelles conditions. Le traitement des candidats européens, en particulier, révélera comment le règlement européen sur l’IA est interprété en pratique. L’accès indien sera retardé. La manière dont ce retard se manifestera aura de l’importance.

Les modèles suivants de la série. OpenAI a été explicite : GPT-Rosalind est la première version d’une série pour les sciences de la vie. Les modèles ultérieurs iront probablement plus loin dans des sous-domaines spécifiques comme la conception d’essais cliniques, les soumissions réglementaires et la chimie pertinente pour la fabrication. Chaque version nous renseignera davantage sur l’emplacement des gains de productivité les plus importants.

La réponse concurrentielle. Anthropic a son propre positionnement en sciences de la vie. Isomorphic Labs continue de publier. Amazon Bio Discovery a été lancé la même semaine que GPT-Rosalind. NVIDIA construit une infrastructure spécialisée. Dans trois ans, la question la plus intéressante pourrait ne pas être de savoir si GPT-Rosalind a fonctionné, mais quelle approche — modèles de raisonnement adaptés au domaine, modèles génératifs spécialisés en biologie, ou plateformes de découverte verticalement intégrées — a produit les premières molécules d’origine IA à franchir la Phase 3.

La lecture de Pharma Now

GPT-Rosalind n’est ni la percée que certaines premières couvertures laissaient entendre ni le gadget que des lecteurs fatigués par l’IA pourraient rejeter. C’est un premier pas sérieux, délibérément contrôlé et soigneusement en partenariat, de la part de la société de modèles fondamentaux la plus influente au monde, dans un domaine qui a résisté aux gains de productivité de l’IA pendant vingt ans.

La question immédiate pour les responsables R&D de l’industrie pharmaceutique n’est pas de savoir s’il faut être enthousiaste. Il s’agit de savoir si l’organisation dispose de l’infrastructure, de la maturité de gouvernance et des talents scientifiques familiers de l’IA pour utiliser des outils comme celui-ci lorsque l’accès s’ouvrira. Pour les fabricants indiens et autres hors des États-Unis, la question est plus aiguë : ce qui sera construit au cours des dix-huit prochains mois en utilisant le plugin Codex librement disponible et les modèles principaux déterminera la rapidité avec laquelle Trusted Access, ou ses successeurs, se traduira en position concurrentielle lorsque les barrières géographiques s’atténueront.

Le modèle porte le nom d’une femme dont les données ont été utilisées sans qu’on lui rende crédit, dont le nom a été à peine prononcé lorsque le prix a été décerné, et dont la contribution à la découverte de la structure de l’ADN a, pendant trop longtemps, été sous-estimée parce que les barrières institutionnelles de la science du milieu du XXe siècle lui étaient fermées.

Le choix du nom est, en ce sens, plus aigu qu’il n’y paraît à première vue.

Les vingt-quatre prochains mois nous diront si les barrières autour de l’IA en biologie sont construites de manière responsable ou si, à nouveau, elles se referment autour des mauvaises personnes.

Pharma Now continuera de suivre le déploiement de GPT-Rosalind, les programmes partenaires et la trajectoire d’accès mondiale au fur et à mesure de l’évolution de l’aperçu de recherche. Les signaux provenant des dossiers réglementaires, et non des communiqués de presse, raconteront la véritable histoire.

Sources et notes

Principale : OpenAI, "Introducing GPT-Rosalind for life sciences research" (16 April 2026); documentation du Help Center d’OpenAI sur GPT-Rosalind et le Trusted Access Program.

Secondaires vérifiées croisée : FierceBiotech (17 April 2026); VentureBeat; Pharmaphorum; TechTarget; Lab Manager; Euronews; Implicator; DrugPatentWatch (articles d’analyse sur GPT-Rosalind, les médicaments génériques et le développement de médicaments); Nerd Level Tech; AnthemCreation; PitchBook (rapport de janvier 2026 sur l’investissement dans la découverte de médicaments par IA).

Commentaires de l’industrie : Sean Bruich (Amgen), Stéphane Bancel (Moderna), Andy Hickl (Allen Institute), Kimberly Powell (NVIDIA), Sam Altman (OpenAI).

Repères cités — BixBench by Edison Scientific, LABBench2, l’évaluation de Dyno Therapeutics. Chiffres tels que publiés par OpenAI au lancement et confirmés par FierceBiotech et VentureBeat. Datés de la fenêtre de lancement d’avril 2026 ; tous les chiffres doivent être re-vérifiés par rapport à toute publication OpenAI mise à jour avant republication.

Remarque sur la biographie de Rosalind Franklin — Photo 51 a été prise en mai 1952 au King's College London ; l’article de Watson–Crick a été publié dans Nature, avril 1953 ; le Prix Nobel a été décerné en 1962, quatre ans après la mort de Franklin d’un cancer de l’ovaire en 1958 à l’âge de 37 ans. Sources biographiques standard.