Michael JohnsonOpenAI 21. října 2026 popsala výzkum, v němž tisíce AI agentů za 32 minut analyzovaly data o zásazích do milionů mozkových buněk myší. Místo jediného dlouhého dotazu tým rozdělil práci mezi agenty: každý zkoumal samostatný genetický zásah, porovnával buněčné změny s publikacemi a navrhoval možné vysvětlení. Výsledkem se stal otevřený katalog vztahů mezi geny, buněčnými účinky a vědeckou literaturou.
Na projektu spolupracovaly OpenAI, PerturbAI a Scripps Research. Jejich popis výzkumu a preprint studie ukazují praktické využití agentních systémů: souběžně procházet rozsáhlý soubor experimentálních výsledků a měnit nalezené souvislosti v otázky, které lze ověřit v laboratoři. To je zvlášť užitečné tam, kde je dat už více, než kolik jich výzkumný tým dokáže ručně porovnat s roztříštěnou odbornou literaturou.
Jak analýzu rozdělili
Agenti GPT-Rosalind pracovali s atlasem celého mozku, který ukazuje, jak narušení jednotlivých genů ovlivňuje různé typy buněk. Každý agent zpracoval svůj zásah, zkoumal buněčnou odpověď, vyhledával související vědecké publikace a formuloval hypotézu. Jednotlivé zprávy pak tým spojil do atlasu uvažování (reasoning atlas) — katalogu, který propojuje pozorování s možnými mechanismy a zdroji.
Podle odhadu výzkumného týmu by srovnatelná ruční analýza, prováděná postupně pro jednotlivé zásahy, zabrala několik měsíců až rok. Toto srovnání se týká popsaného rozsahu práce a odhadu týmu; agenti znovu analyzovali již shromážděná data, neprováděli nové biologické experimenty. Vytvořené hypotézy pomáhají určit, která pozorování stojí za další ověření.
Proč tým využil tisíce agentů
OpenAI porovnala distribuovaný přístup s jedním agentem při zachování stejného modelu a dostupných prostředků. S rostoucím rozsahem úlohy citoval jediný agent v největším scénáři 11 zdrojů, zatímco distribuovaný systém jich citoval více než 700. V zaslepeném srovnání odborníci v 75 % případů upřednostnili zprávy distribuovaných agentů před zprávami jednoho agenta.
Tato čísla se vztahují ke konkrétnímu experimentu a hodnocení odborníků. Praktické ponaučení pro vědecké týmy je, aby nesledovaly jen rychlost analýzy, ale také šíři pokrytí zdrojů, kvalitu citací a to, zda se výsledky mění v jasné, ověřitelné hypotézy.
Od nečekané souvislosti k dalšímu experimentu
Jeden z příkladů se týká genu DCTN1, jehož mutace způsobují Perryho syndrom — neurodegenerativní onemocnění s příznaky podobnými Parkinsonově chorobě. V datech atlasu bylo narušení Dctn1 spojeno se zvýšenou aktivitou genů souvisejících se syntézou cholesterolu. Na základě tohoto pozorování a publikací o transportu cholesterolu agenti formulovali otázku: může narušení DCTN1 měnit rozložení cholesterolu uvnitř neuronů a ovlivňovat jejich poškození?
Další hypotéza vzešla z porovnání genů Tsc1 a Tsc2. Ačkoli oba geny se podílejí na regulaci mTOR, narušení Tsc2 v určitých buňkách mozečku měnilo aktivitu desítek genů spojených s neuronální komunikací; u Tsc1 tým v této oblasti pozoroval výrazně menší účinek. Takové výsledky pomáhají zúžit hledání: výzkumníci mohou pro následné laboratorní testy vybrat konkrétní buňky a mechanismy.
Zveřejněný katalog reasoning atlas umožňuje výzkumníkům zkoumat souvislosti a vybírat směry další práce. Hlavní praktická hodnota projektu spočívá v rozsahu počátečního přehledu: systém rychle propojuje rozsáhlá experimentální data s literaturou a navrhuje nápady k ověření. Výzkumníci mohou tyto nápady využít při rozhodování, které hypotézy stojí za převedení do laboratorního experimentu.