GPT-Rosalind, spiegato: cosa cambia davvero per R&S farmaceutica il primo modello di scienze della vita di OpenAI

I dati di una chimica britannica, presi senza riconoscerle il merito, contribuirono a rivelare la struttura del DNA nel 1953. Settantatré anni dopo, il modello che OpenAI ha chiamato con il suo nome è appena stato rilasciato nei laboratori farmaceutici del mondo ed è stato costruito dietro il tipo di cancelli da cui Rosalind Franklin ha trascorso la carriera tenuta fuori.

Un modello intitolato a una donna che fu tenuta fuori

Nel maggio 1952, in un laboratorio sotterraneo del King's College London, una chimica di 31 anni di nome Rosalind Franklin scattò una singola fotografia ai raggi X di una fibra di DNA. La etichettò come Photo 51. L'immagine di una croce di punti scuri su uno sfondo pallido era la fotografia più precisa della struttura del DNA mai ottenuta.

Qualche mese dopo, senza il suo permesso, la fotografia fu mostrata a due ricercatori di Cambridge: James Watson e Francis Crick. La videro una volta. Da quella singola visione ricostruirono la doppia elica. Il Premio Nobel che seguì nel 1962 andò a Watson, Crick e al collega di Franklin, Maurice Wilkins. Franklin era morta di cancro ovarico quattro anni prima, a trentasette anni, e il premio non viene assegnato postumo. Il suo nome è appena menzionato nei loro discorsi di accettazione.

Il 16 aprile 2026 OpenAI ha rilasciato il suo primo modello di ragionamento per le scienze della vita e lo ha chiamato con il suo nome. La scelta è stata deliberata. L'ironia, meno.

GPT-Rosalind è, a ogni lettura, uno dei lanci di IA con le restrizioni più accurate che l'industria abbia visto. È disponibile solo negli Stati Uniti, solo per clienti aziendali verificati, solo tramite quello che OpenAI chiama Trusted Access Program. I partner di lancio sono Amgen, Moderna, Novo Nordisk, the Allen Institute, Thermo Fisher Scientific, Dyno Therapeutics. Il modello porta il nome di una donna che, nel suo tempo, è stata tenuta fuori da quasi ogni cancello che contava.

Per i leader farmaceutici che osservano dall'India, dall'Europa, da qualsiasi laboratorio non presente in quella lista di partner — la domanda che pone questo lancio non è cosa GPT-Rosalind possa fare. È cosa significhi che OpenAI abbia deciso, con questa precisione, chi può usarlo.

Cos'è effettivamente il modello

Tolto il marketing, GPT-Rosalind è un modello di ragionamento messo a punto per la biologia.

Questa distinzione conta più di quanto sembri. GPT-5.4, il generalista di punta di OpenAI, è forte in coding, scrittura, analisi e ampio ragionamento scientifico. Può spiegare CRISPR. Non può, con alcuna sicurezza, valutare un design di guide RNA e ragionare sulla sua prevedibile attività off-target. GPT-Rosalind è costruito per fare proprio questo.

OpenAI è stato preciso su dove il modello è utile. Scoperta in fase iniziale: identificazione del target, validazione del target, comprensione del meccanismo, sintesi della letteratura e interpretazione degli "omics" — l'analisi di dataset genomici, trascrittomici e proteomici. Non formulazione. Non commerciale. Non rivolto al paziente. Il modello vive nei primi 24-36 mesi della vita di un farmaco, quando un'ipotesi è ancora una domanda.

È erogato attraverso tre superfici :ChatGPT Enterprise, Codex (l'ambiente di coding di OpenAI, ora esteso con un plugin di ricerca per le scienze della vita), e l'OpenAI API per i flussi di lavoro di ricerca interni. SOC 2 Type 2, allineamento HIPAA, BAAs disponibili, controlli di accesso basati sui ruoli, nessun training sui dati dei clienti. L'impalcatura di compliance è stata costruita prima che il modello uscisse, non dopo.

Una precisazione tecnica, perché qui la maggior parte delle prime coperture sbagliava: GPT-Rosalind non ripiega proteine. È un orchestratore. Quando è necessaria una struttura 3D, viene chiamato AlphaFold 3 o Chai-1. Quando è necessaria una ricerca di sequenze, richiama un database. Il contributo del modello non è calcolo grezzo; è un giudizio su quale specialista interrogare e come leggere la risposta.

Pensatelo meno come un nuovo microscopio e più come un ricercatore senior che sa quale microscopio usare.

GPT-Rosalind solleva questioni di governance che la pharma regolata sta ancora imparando a rispondere.

Il contratto epistemico per l'IA in GxP va più a fondo di quanto la maggior parte dei laboratori si aspetti.

→ Leggi: AI nella farmaceutica GxP: il nuovo contratto epistemico | Dr. Ajaz S. Hussain

Cosa dicono davvero i benchmark

OpenAI ha pubblicato numeri su tre valutazioni. Vale la pena leggerli con attenzione e con la calibrazione che i leader di ricerca esperti portano a qualsiasi punteggio pubblicato da un fornitore.

BixBench è un benchmark di bioinformatica di Edison Scientific. Pone un agente AI davanti a un notebook Jupyter vuoto e gli chiede di svolgere vera biologia computazionale, attraverso 53 scenari di analisi e 296 domande. GPT-Rosalind ha ottenuto un Pass@1 di 0.751. GPT-5.4 ha ottenuto 0.732. GPT-5 ha ottenuto 0.728. Grok 4.2 ha ottenuto 0.698. Gemini 3.1 Pro ha ottenuto 0.550.

Due punti sopra il miglior generalista sono significativi. Non è un salto generazionale.

LABBench2 è il test più ampio, circa 1.900 task attraverso undici famiglie di compiti di ricerca che coprono recupero della letteratura, manipolazione di sequenze, progettazione di protocolli e altro. GPT-Rosalind ha battuto GPT-5.4 in sei delle undici famiglie. Il divario più grande è apparso in CloningQA, la progettazione end-to-end di reagenti di DNA ed enzimi per protocolli di clonaggio molecolare.

GPT-5.4 ha comunque vinto in cinque delle undici. Lettura onesta: questo è uno strumento utile, non uno finito.

La valutazione di Dyno Therapeutics è quella da prendere sul serio. Dyno ha usato sequenze RNA non pubblicate, precedentemente non viste, dati che OpenAI ha definito "uncontaminated", cioè sequenze che il modello non aveva alcuna possibilità di aver visto durante l'addestramento. Nella previsione sequenza-funzione, i migliori dieci output del modello si sono posizionati oltre il 95° percentile degli esperti umani. Nella generazione di sequenze, ha raggiunto circa l'84° percentile.

Per un modello alimentato solo con ciò su cui non era stato addestrato, posizionarsi sopra il 95% degli esperti umani è il tipo di risultato che, se si mantiene su valutazioni più ampie e varie, cambia il modo in cui un team di scoperta iniziale allocca il suo tempo. Questo non è una vittoria di benchmark. È un segnale sul flusso di lavoro.

Quello che fa realmente in laboratorio

Le capacità si concentrano sulle parti della scoperta iniziale più soffocate dal lavoro manuale sui dati.

Un team di target-discovery chiede: Protein X è un bersaglio terapeutico valido nella malattia Y? Il modello ingerisce la domanda e ragiona attraverso la letteratura pubblicata, i database genomici e proteomici pubblici e i dati sperimentali interni del team. Porta in evidenza le prove a supporto. Porta in evidenza le contraddizioni. Segnala le lacune. Genera ipotesi concorrenti, le valuta e propone esperimenti di follow-up. Interpreta output multi-omici. Scrive il tipo di sintesi strutturata che, fino ad ora, richiedeva a un biologo senior tre giorni.

Ciò che lo separa dagli assistenti IA precedenti sono due cose: l'uso di strumenti e lo scetticismo.

Uso di strumenti, perché GPT-Rosalind è progettato per chiamare altri sistemi — predittori di struttura, strumenti di ricerca di sequenze, ambienti statistici — e integrare i loro output nel suo ragionamento. È l'orchestratore, non il collo di bottiglia.

Scetticismo, perché GPT-Rosalind è il primo modello OpenAI addestrato a rifiutare ipotesi deboli. Non ad attenuarle. Non ad aiutare l'utente a trovare prove di supporto. Rifiutarle. Per i team farmaceutici che hanno perso mesi inseguendo bersagli suggeriti dall'IA che non hanno superato la validazione di laboratorio, questa calibrazione potrebbe rivelarsi il singolo cambiamento più prezioso di tutti.

C'è un pezzo separato di questo lancio che la maggior parte delle coperture ha mancato, e conta più fuori dagli Stati Uniti che al loro interno. Il plugin di ricerca Codex Life Sciences è disponibile gratuitamente su GitHub. Funziona con i modelli principali di OpenAI i.e GPT-5.4 e altri — non solo GPT-Rosalind. Si connette a più di cinquanta strumenti scientifici e fonti di dati che coprono genetica umana, genomica funzionale, struttura proteica, biochimica, evidenza clinica e scoperta di studi pubblici. Include un research router che sintetizza risposte supportate dalle evidenze, e subagent che lavorano in parallelo dove i canali di dati sono indipendenti.

Per un team di ricerca che non si qualifica per Trusted Access, che è la maggior parte del mondo, il solo plugin copre una porzione sostanziale dei guadagni pratici nel flusso di lavoro. Non tutti. La maggior parte.

Il Trusted Access Program — e perché è la vera storia

La cosa più distintiva di GPT-Rosalind non è ciò che il modello fa. È chi è autorizzato a usarlo.

Per qualificarsi per Trusted Access, un'organizzazione deve soddisfare tre condizioni: ricerca scientifica legittima con chiaro beneficio pubblico; controlli di governance, conformità e prevenzione degli abusi già in atto; accesso limitato a utenti approvati in ambienti sicuri e ben gestiti. Al lancio, l'idoneità è limitata a clienti enterprise qualificati negli Stati Uniti. Durante l'anteprima di ricerca, l'utilizzo non detrae dai crediti OpenAI esistenti del cliente — soggetto a guardrail contro gli abusi.

OpenAI non sta vendendo un modello. Sta operando un programma vagliato. La lista dei partner di lancio è breve e deliberata: Amgen, Moderna, Novo Nordisk, Thermo Fisher Scientific, the Allen Institute, Dyno Therapeutics, Oracle, NVIDIA, Benchling, the UCSF School of Pharmacy. Questi non sono solo clienti. Sono la base di evidenza iniziale per capire se questo modello di accesso può scalare.

Leggete con attenzione, questo è una rottura significativa rispetto a come i modelli di base sono stati distribuiti in precedenza. Un programma vagliato — con governance enterprise, nessun addestramento sui dati dei clienti e utenti istituzionali nominati — è sostanzialmente più facile da difendere per un CISO o un comitato di conformità rispetto a un'API pubblica. Per gli acquirenti farmaceutici negli Stati Uniti, il filtro riduce il rischio. Per il resto dell'industria farmaceutica globale — inclusi i maggiori produttori generici dell'India e gran parte della base di ricerca europea — introduce un tipo diverso di rischio: esclusione strutturale al lancio.

Il sottotesto competitivo, come la pubblicazione di settore Implicator ha scritto nella sua copertura del lancio, è che l'accesso controllato può essere esso stesso il prodotto. Limitando chi entra e a quali condizioni, OpenAI sta facendo qualcosa che i fornitori di modelli di base non avevano fatto prima: trasformare la governance in un fossato competitivo.

La questione della biosicurezza è reale

La ragione del filtro non è solo commerciale. È anche genuinamente legata all'uso improprio.

La biologia è ciò che i ricercatori di biosicurezza chiamano un dominio a duplice uso. Un modello in grado di interpretare dati genomici, ragionare sulla biologia dei patogeni e proporre modifiche molecolari per migliorare l'affinità di legame è, per definizione, uno che potrebbe, nelle mani sbagliate, assistere nella progettazione di patogeni pericolosi. Questa non è una preoccupazione ipotetica. I ricercatori di biosicurezza l'hanno segnalata costantemente man mano che la capacità delle IA sintonizzate per la biologia è migliorata.

La risposta di OpenAI combina vaglio istituzionale con rifiuti tecnici. Sia GPT-Rosalind che il Codex Life Sciences plugin contengono rifiuti codificati riguardo precursori di armi biologiche, lavori di gain-of-function su patogeni e sintesi di sostanze controllate. La ricerca legittima su patogeni pericolosi rimane possibile ma solo tramite accordi istituzionali, non tramite il plugin aperto.

Per i leader farmaceutici a livello globale, il segnale pratico è questo: man mano che l'IA per le scienze della vita matura, il quadro normativo intorno ad essa si stringerà, non si allenterà. L'AI Act dell'Unione Europea, in vigore dall'agosto 2024 e in fase di attuazione, classifica i sistemi IA usati in applicazioni mediche e delle scienze della vita come ad alto rischio, attivando valutazioni di conformità obbligatorie, obblighi di trasparenza e requisiti di supervisione umana. I quadri normativi indiani non hanno ancora raggiunto lo stesso livello, ma la direzione è tracciata.

Le organizzazioni che iniziano oggi a costruire maturità di governance sull'uso dell'IA nella R&S saranno sostanzialmente meglio posizionate rispetto a quelle che aspettano l'arrivo delle regole.

Cosa stanno effettivamente facendo i laboratori partner

I partner di lancio nominati offrono un'anteprima utile di dove GPT-Rosalind sarà testato più intensamente.

Amgen ha investito in R&S guidata dai dati per oltre un decennio. Sean Bruich, suo Senior Vice President of Artificial Intelligence and Data, ha inquadrato la collaborazione come un modo per applicare capacità e strumenti avanzati ad accelerare il modo in cui Amgen consegna i farmaci ai pazienti. Il dettaglio chiave è se Amgen integra il modello nei flussi di lavoro di target validation e early biology, oppure lo limita alla sintesi della letteratura. Il primo è trasformativo. Il secondo è incrementale.

Moderna è la più pubblica sulle sue ambizioni nell'AI. Stéphane Bancel, suo Chief Executive Officer, ha dichiarato che Moderna sta già usando GPT-Rosalind per sintetizzare dati complessi e tradurre intuizioni in workflow sperimentali. Per un'azienda con piattaforma mRNA, le applicazioni dirette sono l'identificazione rapida di antigeni, l'ottimizzazione dei codoni e il design di sequenze mRNA, tutte ambiti che rientrano direttamente nei punti di forza dichiarati di GPT-Rosalind.

The Allen Institute offre un'angolazione diversa. Andy Hickl, suo Chief Technology Officer, ha sottolineato ciò che GPT-Rosalind apporta in termini di coerenza e ripetibilità in passaggi che sono sempre stati manuali, come trovare dati, allineare dataset, strutturare query e altro, all'interno di un workflow agentico. Questo è il lato poco appariscente del stack di ricerca. È dove i risparmi di tempo si cumulano realmente.

Novo Nordisk ha firmato una alleanza strategica separata e più ampia con OpenAI il 14 aprile 2026, solo due giorni prima dell'annuncio di GPT-Rosalind, coprendo applicazioni "from drug discovery to commercial." Questo è il segnale più rivelatore dei due: una grande azienda farmaceutica che si impegna a integrare l'AI non in un singolo workflow, ma attraverso discovery, manufacturing, supply chain e operazioni commerciali. GPT-Rosalind è un componente di quell'architettura, non il suo insieme.

I partner non farmaceutici sono altrettanto significativi. Thermo Fisher Scientific gestisce il livello infrastrutturale di laboratorio. Benchling esegue l'electronic lab notebook usato da gran parte dell'industria biotech. Oracle e NVIDIA apportano dati e capacità di calcolo. Insieme, questi sono il substrato nel quale GPT-Rosalind viene tessuto. Il quadro, nel suo complesso, non è quello di un singolo modello dispiegato ma di uno stack emergente: modello, strumenti, infrastruttura enterprise e accesso verificato, assemblati attorno al problema della early-discovery.

Cosa significa questo per la pharma indiana e i produttori generici globali

Per i lettori del settore farmaceutico in India e per i produttori mondiali di generici e biosimilari, GPT-Rosalind solleva una questione strategica con due facce distinte.

La prima è l'asimmetria di accesso. The Trusted Access Program, al lancio, è limitato agli Stati Uniti. Il cohort di lancio è dominato da innovatori con marchio come Amgen, Moderna e Novo Nordisk. I principali produttori generici indiani, che forniscono una quota consistente dei farmaci generici consumati nel mercato USA, attualmente non sembrano comparire in nessuna lista di partner. Se le restrizioni geografiche e di governance persistono mentre il programma si espande, i produttori con sede negli USA che si qualificano accumuleranno vantaggi nelle capacità AI in identificazione dei target, design di formulazioni e analisi del prior-art che i loro omologhi non-USA non potranno eguagliare attraverso lo stesso canale.

DrugPatentWatch ha osservato nella sua analisi di lancio che tra il 2026 e il 2030 più di $236 miliardi di ricavi farmaceutici brandizzati sono a rischio per la concorrenza di generici e biosimilari. Lo stesso modello che aiuta un innovatore a trovare nuovi target può, in mani diverse, accelerare il lavoro di design-around che erode il loro portafoglio brevetti. Questa dinamica non è nuova. La velocità con cui ora opera potrebbe esserlo.

La seconda faccia è più immediatamente attuabile. Il plugin Codex Life Sciences per la ricerca è gratuito, su GitHub, e funziona con i modelli principali di OpenAI. Nessun Trusted Access richiesto. Per i team indiani di R&S, formulazione e normative, il plugin da solo copre una quota significativa dei guadagni pratici nei workflow: connessione a oltre 50 database scientifici, automazione della sintesi delle evidenze e riduzione dei passaggi manuali tra review della letteratura, ricerca nei database e analisi. Il plugin non darà ai team indiani tutto ciò che ha Amgen. Darà loro sostanzialmente più di quanto avevano due mesi fa.

La questione più difficile è cosa significhi questa traiettoria per la struttura dell'industria farmaceutica indiana nei prossimi cinque anni. La scala produttiva dell'India, l'esperienza regolatoria e la base dei costi restano vantaggi formidabili. Le capacità AI, come accesso ai modelli, infrastruttura interna, maturità di governance e talento scientifico fluente in AI, sono un asse emergente sul quale la posizione competitiva sarà ridisegnata. La finestra per iniziare a costruire tale capacità è ora. Non quando GPT-Rosalind, o i suoi successori, diventeranno generalmente disponibili.

La corsa all'AI per la scoperta di farmaci sta già ridisegnando la posizione competitiva a livello globale.

Una ripartizione per regioni di chi è in testa e cosa fanno effettivamente le loro piattaforme.

→ Leggi: Le principali aziende di drug discovery AI nel 2026

Cosa GPT-Rosalind non è

Una lettura lucida del lancio richiede di dire cosa il modello non fa.

Non è un prodotto finito. OpenAI lo ha definito una research preview. Il modello non è riuscito a superare GPT-5.4 in cinque delle undici famiglie di compiti LABBench2. La composizione dei suoi dati di addestramento non è stata divulgata in dettaglio. Esiste un divario significativo per un sistema destinato alla R&S regolamentata, dove riproducibilità e provenienza non sono opzionali.

Non è un aggiornamento a uso generale. Su ragionamento ampio, coding o lavori non biologici, GPT-5.4 rimane il modello più forte. GPT-Rosalind ha scambiato ampiezza per profondità.

Non sostituisce la validazione di laboratorio. Il modello può affinare un'ipotesi. Non può testarla. Le allucinazioni specifiche del dominio, che sono affermazioni sicure ma errate su un'interazione farmaco-target o sul comportamento di una sequenza, possono sprecare mesi di lavoro in laboratorio o, peggio, far traslare ragionamenti fallaci nella pianificazione clinica. Il framework Trusted Access esiste in parte perché sono necessari partner esperti per verificare e convalidare gli output.

Non è un predittore di struttura. Il folding rimane il lavoro di AlphaFold 3, Chai-1 e altri specialisti.

E da solo non è prova che l'AI comprimerà i tempi di sviluppo dei farmaci. Implicator, tra gli altri, lo ha detto chiaramente: la vera prova di GPT-Rosalind non saranno i punteggi dei benchmark. Saranno le IND filings e le Investigational New Drug applications che emergeranno nei prossimi due o tre anni dai programmi partner. L'industria farmaceutica ha visto molti lanci di AI seguiti da pochi farmaci approvati. Quel pattern si confermerà o si spezzerà sui dati, non sugli annunci.

Cosa dovrebbero monitorare i leader pharma nei prossimi 24–36 mesi

Per i vertici R&D, regolatori e aziendali, la lista di controllo è breve e concreta.

IND filings dai programmi partner. Amgen, Moderna, the Allen Institute e Novo Nordisk sono le prime evidenze basate sui fatti. Osservate le molecole le cui storie di origine citano esplicitamente GPT-Rosalind nella selezione del target, nella generazione di ipotesi o nella progettazione sperimentale. I comunicati stampa non saranno il segnale. Lo saranno le pratiche regolatorie.

Espansione dei programmi. Osservate quando e se OpenAI estenderà Trusted Access oltre gli Stati Uniti e a quali condizioni. Il trattamento dei candidati europei, in particolare, rivelerà come l'AI Act dell'UE venga interpretato nella pratica. L'accesso dall'India sarà in ritardo. Come sarà questo ritardo sarà rilevante.

I prossimi modelli della serie. OpenAI è stato esplicito: GPT-Rosalind è la prima release di una serie per le scienze della vita. I modelli successivi probabilmente approfondiranno sottodomini specifici come la progettazione di trial clinici, le submission regolatorie e la chimica rilevante per la produzione. Ogni release ci dirà di più su dove emergono i maggiori guadagni di produttività.

La risposta competitiva. Anthropic ha il proprio posizionamento nelle scienze della vita. Isomorphic Labs continua a pubblicare. Amazon Bio Discovery è stato lanciato la stessa settimana di GPT-Rosalind. NVIDIA sta costruendo infrastrutture specialistiche. Tra tre anni, la domanda più interessante potrebbe non essere se GPT-Rosalind abbia funzionato, ma quale approccio — modelli di ragionamento sintonizzati per dominio, modelli generativi specialistici per la biologia, o piattaforme di discovery verticalmente integrate — abbia prodotto le prime molecole originate dall'AI a superare la Fase 3.

La lettura di Pharma Now

GPT-Rosalind non è né la svolta che alcune prime coperture hanno suggerito né il gimmick che i lettori stanchi di AI potrebbero liquidare. È una mossa seria, deliberatamente controllata e accuratamente in partnership, della più influente società di foundation model al mondo in un dominio che ha resistito ai guadagni di produttività dell'AI per vent'anni.

La domanda immediata per i leader R&D farmaceutici non è se essere entusiasti. È se l'organizzazione dispone dell'infrastruttura, della maturità di governance e del talento scientifico fluente in AI per usare strumenti come questo quando l'accesso si aprirà. Per i produttori indiani e altri non statunitensi, la domanda è più netta: ciò che verrà costruito nei prossimi diciotto mesi usando il plugin Codex liberamente disponibile e i modelli mainline determinerà quanto rapidamente Trusted Access, o i suoi successori, si tradurranno in posizione competitiva quando le barriere geografiche si allenteranno.

Il modello è intitolato a una donna i cui dati furono presi senza darle credito, il cui nome fu appena pronunciato quando fu assegnato il premio, e il cui contributo alla scoperta della struttura del DNA è stato, per troppo tempo, sottovalutato perché le porte istituzionali della scienza di metà XX secolo le erano chiuse.

In questo senso, la denominazione è più pungente di quanto appaia a prima vista.

I prossimi ventiquattro mesi ci diranno se i cancelli intorno all'AI in biologia stanno venendo costruiti responsabilmente o se, di nuovo, vengono tracciati attorno alle persone sbagliate.

Pharma Now continuerà a monitorare il dispiegamento di GPT-Rosalind, i programmi partner e la traiettoria di accesso globale man mano che l'anteprima di ricerca evolve. I segnali verranno dalle pratiche regolatorie, non dai comunicati stampa.

Fonti e note

Primarie: OpenAI, "Introducing GPT-Rosalind for life sciences research" (16 April 2026); documentazione del Help Center di OpenAI su GPT-Rosalind e il Trusted Access Program.

Secondarie verificate incrociando le fonti: FierceBiotech (17 April 2026); VentureBeat; Pharmaphorum; TechTarget; Lab Manager; Euronews; Implicator; DrugPatentWatch (pezzi di analisi su GPT-Rosalind, farmaci generici e sviluppo dei farmaci); Nerd Level Tech; AnthemCreation; PitchBook (report di gennaio 2026 sugli investimenti in AI per la scoperta di farmaci).

Commento dell'industria: Sean Bruich (Amgen), Stéphane Bancel (Moderna), Andy Hickl (Allen Institute), Kimberly Powell (NVIDIA), Sam Altman (OpenAI).

Benchmark citati — BixBench by Edison Scientific, LABBench2, la valutazione di Dyno Therapeutics. Cifre come pubblicate da OpenAI al lancio e confermate da FierceBiotech e VentureBeat. Datate alla finestra di lancio di aprile 2026; tutte le cifre dovrebbero essere riconfermate rispetto a eventuali pubblicazioni OpenAI aggiornate prima della ripubblicazione.

Nota sulla biografia di Rosalind Franklin — Photo 51 fu catturata nel maggio 1952 al King's College London; l'articolo di Watson–Crick fu pubblicato in Nature, aprile 1953; il Premio Nobel fu assegnato nel 1962, quattro anni dopo la morte di Franklin per cancro ovarico nel 1958 all'età di 37 anni. Fonti biografiche standard.