GPT-5 Pro gaf immunoloog Derya Unutmaz binnen enkele minuten een verklaring voor T-celdata waar zijn lab sinds 2022 geen raad mee wist, en die verklaring klopte met proeven die het lab al had gedaan. Unutmaz is hoogleraar bij The Jackson Laboratory en de University of Connecticut. In 2022 zag zijn team iets onverwachts: T-cellen die bij hun activatie kort 2-deoxyglucose kregen, een stof die glucose nabootst, ontwikkelden zich veel vaker tot ontstekingsbevorderende cellen dan cellen die simpelweg weinig glucose kregen. In het najaar van 2025 legde hij de data voor aan GPT-5 Pro.
Update 25 september 2026 Dit artikel is gecorrigeerd aan de hand van Unutmaz’ eigen verslag in OpenAI’s wetenschapspaper van 20 november 2025. GPT-5 Pro werd in het najaar van 2025 gebruikt (niet begin 2025) en gaf zijn verklaring in minuten, niet in dagen. De bevestigende proeven had het lab al eerder gedaan, en twee citaten die we niet in een primaire bron terugvonden zijn verwijderd.
OpenAI publiceerde het verhaal op 23 juni 2026 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.
In de proef activeerde het lab CD4+ T-cellen in aanwezigheid van 2-deoxyglucose (2-DG) of bij weinig glucose. Na twee dagen werd de stof weggewassen en groeiden de cellen twee weken door. Daarna bleken de 2-DG-cellen veel vaker Th17-cellen te zijn geworden, een type dat ontstekingen aanjaagt, terwijl de cellen met weinig glucose dat in veel mindere mate deden. Het effect bleef bestaan lang nadat de stof was verwijderd. Waarom, kon het team niet verklaren, en 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, zoals virussen, kankercellen en 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
In het najaar van 2025 uploadde Unutmaz een ongepubliceerde figuur met flowcytometrie-resultaten van die proef in GPT-5 Pro. Hij vroeg het model de resultaten te verklaren, mechanismen af te leiden en vervolgproeven voor te stellen. Het model redeneerde zo’n zeventien minuten (Bron: OpenAI-paper).
GPT-5 Pro leverde drie dingen, waarvan Unutmaz schrijft dat zijn team sommige inzichten ondanks alle expertise had gemist.
Ten eerste een mechanistische hypothese: verstoorde N-gelinkte glycosylering tijdens de activatiefase, samen met de IL-2-route, 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 uitspraak over de sleutelpopulatie. Unutmaz vroeg expliciet wat er zou veranderen als de proef met naïeve T-cellen (cellen die nog geen ziekteverwekker zijn tegengekomen) of met geheugen-T-cellen (cellen die een eerdere blootstelling hebben onthouden) was begonnen. GPT-5 Pro voorspelde dat de geheugen-T-cellen het effect dragen.
Ten derde een voorspelling. Unutmaz liet het model een proef simuleren waarin CD8+ killer-T-cellen na zo’n 2-DG-puls tot CAR-T-cellen worden omgebouwd en op lymfoomcellen worden losgelaten. GPT-5 Pro voorspelde dat ze die kankercellen beter zouden doden.
Gevorderden De combinatie van GPT-5 Pro’s suggesties is interessant vanuit methodologisch perspectief. Het model deed meer dan patroonherkenning op basis van bekende literatuur: het legde een niet-triviale mechanistische verbinding tussen 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
De bevestiging kwam uit proeven die het lab al had gedaan. De eerste vervolgproef die GPT-5 Pro voorstelde, een “mannose-rescue” die de glycosylering herstelt zonder de glucoseverwerking te herstellen, had het team weken na de oorspronkelijke proef al uitgevoerd: de uitkomst kwam precies overeen met de voorspelling. Unutmaz tekent daarbij aan dat een vergelijkbare proef in een eerdere preprint stond, zodat het model die kennis mogelijk al had. De CAR-T-proef met lymfoomcellen had het lab ook al gedaan, zonder te publiceren; de voorspelling van het model was volgens Unutmaz “bijna perfect”. Andere voorgestelde proeven, zoals remmers van de glycosylering en onderzoek naar de IL-2-route, moeten nog gebeuren.
“GPT-5 kwam met een werkelijk opmerkelijk inzicht dat achteraf volkomen logisch is,” zegt Unutmaz tegen OpenAI. In het paper schrijft hij dat de bijdrage van het model groot genoeg was om het als co-auteur te vermelden.
Toch bleef de rolverdeling helder. 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, bleef menselijk werk. Maar de stap van “we weten niet wat deze data betekent” naar “hier is een testbare verklaring” kostte het model minuten, waar het lab drie jaar had vastgezeten.
Niet het enige geval
Unutmaz’ casus stond al in november 2025 in OpenAI’s paper met wetenschappelijke experimenten met GPT-5, naast bijdragen van onder anderen wiskundige Timothy Gowers. Dezelfde maand beschreef OpenAI hoe wiskundige Ernest Ryu GPT-5 inschakelde bij een 40 jaar oud open probleem over de versnelde gradiëntmethode van Nesterov. In oktober 2025 vertelde 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, naast de rol als chatassistent. Of die positionering terecht is, hangt af van het bewijs — en het Unutmaz-geval levert een stuk van dat bewijs. Anthropic koos in september 2026 dezelfde route met een enzymsysteem dat Claude gevonden zou hebben, en liep prompt tegen de vraag aan wie de vondst eigenlijk deed.
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. GPT-5 heeft dus lang niet altijd gelijk. De les van Unutmaz is 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 de meest gerichte. Hier ging het om “AI helpt een complexe dataset begrijpen die een expert al drie jaar bekijkt”, een stuk bescheidener dan “AI stelt diagnoses”. 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. Zie het als denkpartner en niet als vervanger.