Derya Unutmaz is immunoloog bij The Jackson Laboratory for Genomic Medicine. Zijn lab deed in 2022 een meting die niet klopte met wat ze wisten. Niet een klein beetje niet kloppen — de data was ronduit tegenstrijdig. Ze herbekeken de statistieken, maakten nieuwe visualisaties, vroegen collega’s mee te kijken. Niks. Begin 2025 gaf Unutmaz de dataset aan GPT-5 Pro. Binnen een paar dagen had het model een verklaring — en die verklaring bleek te kloppen.
OpenAI publiceerde het verhaal gisteren als case study (Bron: OpenAI). Het is een van de meest concrete voorbeelden tot nu toe van wat er bedoeld wordt met “AI als wetenschappelijk instrument.”
Het raadsel: T-cellen en glucose
Het onderzoek draait om een basaal maar cruciaal mechanisme in het immuunsysteem: hoe beïnvloedt glucose de manier waarop T-cellen zich ontwikkelen en specialiseren? T-cellen zijn de witte bloedcellen die specifieke bedreigingen herkennen en aanvallen — ze spelen een centrale rol bij infectieziekten, kankertherapie en auto-immuunziekten. Hoe glucose hun gedrag stuurt, is een open vraag met grote klinische implicaties.
Unutmazs dataset bevatte single-cell RNA-sequencing, flowcytometrie-markers en tijdreeksmetingen die bijhielden hoe cellen zich differentieerden na stimulatie. Het probleem was dat de data een vertakking toonde die zijn team niet kon verklaren: sommige cellen reageerden anders dan de modellen voorspelden, en de regulatoire signalen leken weg te vallen op plekken waar ze verwacht werden.
“We hadden het van alle kanten bekeken,” vertelt Unutmaz. “Meerdere statistische methoden, visualisaties, besprekingen. We konden geen coherent verhaal maken dat de splitsingspunten en de subtiele regulatoire signalen verklaarde.” Drie jaar lang bleef het raadsel open.
Beginner-tip:T-cellen zijn een soort gespecialiseerde witte bloedcellen die je immuunsysteem gebruikt om specifieke bedreigingen te herkennen — virussen, kankercellen, bacteriën. Ze “leren” tijdens hun ontwikkeling wat gevaarlijk is. Hoe glucose daarin een rol speelt, klinkt technisch, maar raakt direct aan ziekten als diabetes, kanker en auto-immuunziekten.
Wat GPT-5 Pro deed
Begin 2025 laadde Unutmaz de ruwe, ongepubliceerde data in GPT-5 Pro — flowcytometrie-resultaten van menselijke CD4+ T-cellen blootgesteld aan wisselende glucose- en 2-deoxyglucosecondities. Hij stelde het model geen gesloten vragen, maar vroeg het de data te analyseren en te verklaren wat er aan de hand was.
GPT-5 Pro leverde drie dingen die zijn lab zelf hadden gemist.
Ten eerste een mechanistische hypothese: verstoorde N-gelinkte glycosylering tijdens de activatiefase kon de observaties verklaren. Glycosylering is het biologische proces waarbij suikermoleculen worden vastgeknoopt aan eiwitten — een proces dat direct afhankelijk is van glucosebeschikbaarheid en dat bepaalt hoe cellen signalen herkennen.
Ten tweede een correctie van de sleutelpopulatie. Unutmazs team nam aan dat naïeve T-cellen (cellen die nog geen pathogeen hebben tegengekomen) de drijvende kracht waren achter het effect. GPT-5 Pro gaf aan dat geheugen-T-cellen (cellen die een eerdere blootstelling hebben onthouden) de eigenlijk actieve populatie waren. Een verschil met grote klinische consequenties.
Ten derde een voorspelling: als de hypothese klopte, moesten de CD8+ killer-T-cellen in de dataset efficiënter lymfoomcellen kunnen doden (Bron: Windows News). Niet als vanzelfsprekende conclusie, maar als testbare uitkomst.
Gevorderden:De combinatie van GPT-5 Pro’s suggesties is interessant vanuit methodologisch perspectief. Het model deed niet aan patroonherkenning op basis van bekende literatuur alleen — het genereerde eenniet-triviale mechanistische verbindingtussen twee phenomena (glucosemetabolisme en glycosylering) die in de data zichtbaar was maar die een menselijk analist over het hoofd had gezien. Dit sluit aan bij het idee dat taalmodellen die op grote hoeveelheden wetenschappelijke literatuur zijn getraind, verbanden kunnen leggen die buiten het werkgeheugen van een individuele onderzoeker vallen.
De bevestiging
Unutmazs lab voerde de voorgestelde vervolgexperimenten uit. De hypothese over N-gelinkte glycosylering hield stand. De identiteit van de sleutelpopulatie — geheugen-T-cellen — werd bevestigd. En de voorspelling over CD8+-cellen klopte: ze bleken inderdaad beter in staat lymfoomcellen te doden dan het team had verwacht.
“GPT-5 verving de immunologie niet,” zegt Unutmaz. “Het veranderde het tempo waarop we het konden bedrijven.”
Die nuance is belangrijk. Het model leverde hypothesen; zijn lab leverde de experimentele validatie. De expertise om de data te begrijpen, de biologie te interpreteren en de betekenis van de uitkomsten te beoordelen — dat bleef menselijk werk. Maar de stap van “we weten niet wat deze data betekent” naar “hier is een testbare verklaring” duurde voor het model een paar dagen in plaats van drie jaar.
Niet het enige geval
OpenAI publiceerde het immunologie-verhaal als onderdeel van een bredere reeks. Op dezelfde dag verscheen een case over wiskundige Ernest Ryu, die GPT-5 inschakelde bij een 40 jaar oud open wiskundeprobleem. En eerder dit jaar beschreef Consensus hoe het GPT-5 gebruikte om weken literatuuronderzoek terug te brengen tot minuten.
Dat OpenAI dit soort verhalen actief publiceert is niet toevallig. Het past in een bredere strategie om GPT-5 te positioneren als instrument voor professionele en wetenschappelijke toepassingen, niet alleen als chatassistent. Of die positionering terecht is, hangt af van het bewijs — en het Unutmaz-geval levert een stuk van dat bewijs.
Een terughoudendheid blijft op zijn plek. GPT-5 Pro kan ook plausibel klinkende maar onjuiste hypothesen produceren. De gevallen die OpenAI publiceert zijn successen; de mislukkingen worden niet gecommuniceerd. Onderzoek naar AI-hallucinaties in wetenschappelijke literatuur laat zien dat het risico op misleidende output in academische contexten reëel is. De les van Unutmaz is niet dat GPT-5 altijd gelijk heeft, maar dat het de moeite waard kan zijn de hypothesen die het genereert te testen.
Wat dit betekent voor onderzoek
De implicatie voor wetenschappelijk onderzoek is genuanceerd maar concreet. AI-modellen als GPT-5 Pro zijn het sterkst wanneer een onderzoeker al genoeg expertise heeft om de output kritisch te beoordelen — en zwak wanneer die expertise ontbreekt en het model als autoriteit wordt behandeld.
In die zin past het verhaal van Unutmaz precies in het bredere beeld dat we kennen van AI in de zorg: de toepassingen die het meest opleveren zijn niet de spectaculairste, maar de meest gerichte. Niet “AI stelt diagnoses” maar “AI helpt een complexe dataset begrijpen die een expert al drie jaar bekijkt.” Het verschil ligt in de menselijke toezichtlaag.
Voor wie wil weten welke versie van GPT-5 bij welke taak past — inclusief de Pro-variant die Unutmaz gebruikte — is ons overzicht Alles over GPT-5: versies, prijzen en wat je ermee kunt een goed startpunt.
Beginner-tip:Je hoeft geen immunoloog te zijn om GPT-5 Pro te proberen op een dataset of een complex probleem dat je lang hebt vastgehouden. Wat het Unutmaz-verhaal laat zien is dat het model het sterkst is als jij de domeinexpert bent die de uitkomst kan beoordelen — niet als vervanger, maar als denkpartner.