Michael JohnsonAm 21. Oktober 2026 beschrieb OpenAI eine Studie, in der Tausende KI-Agenten innerhalb von 32 Minuten Daten zu Eingriffen in Millionen von Gehirnzellen von Mäusen analysierten. Statt einer einzigen langen Anfrage verteilte das Team die Arbeit auf Agenten: Jeder untersuchte einen eigenen genetischen Eingriff, verglich die Veränderungen in den Zellen mit Veröffentlichungen und schlug eine mögliche Erklärung vor. Das Ergebnis war ein offener Katalog, der Beziehungen zwischen Genen, Auswirkungen auf Zellen und wissenschaftlicher Literatur verknüpft.
An dem Projekt waren OpenAI, PerturbAI und Scripps Research beteiligt. Ihre Beschreibung der Studie und das Preprint der Arbeit zeigen ein praktisches Einsatzszenario für agentische Systeme: Sie können ein breites Spektrum experimenteller Ergebnisse parallel durchforsten und die gefundenen Zusammenhänge in Fragen für die Laborprüfung überführen. Das ist besonders hilfreich, wenn bereits mehr Daten vorliegen, als eine Forschungsgruppe manuell mit der verstreuten Fachliteratur abgleichen kann.
So wurde die Analyse aufgeteilt
Die GPT-Rosalind-Agenten arbeiteten mit einem Ganzhirnatlas, der zeigt, wie sich Eingriffe in einzelne Gene auf unterschiedliche Zelltypen auswirken. Jeder Agent untersuchte einen eigenen Eingriff, analysierte die zelluläre Reaktion, suchte nach einschlägigen wissenschaftlichen Veröffentlichungen und formulierte eine Hypothese. Anschließend wurden die einzelnen Berichte zu einem Reasoning Atlas zusammengeführt – einem Katalog, der Beobachtungen mit möglichen Mechanismen und Quellen verknüpft.
Nach Einschätzung des Forschungsteams hätte eine vergleichbare manuelle Analyse, bei der jeweils ein Eingriff untersucht wird, mehrere Monate bis zu einem Jahr gedauert. Dieser Vergleich bezieht sich auf den beschriebenen Arbeitsumfang und die Schätzung des Teams; die Agenten analysierten bereits erhobene Daten erneut, statt neue biologische Experimente durchzuführen. Die Hypothesen helfen dabei, zu bestimmen, welche Beobachtungen weiter untersucht werden sollten.
Warum das Team Tausende Agenten einsetzte
OpenAI verglich den verteilten Ansatz mit einem einzelnen Agenten und hielt dabei das Modell sowie die verfügbaren Ressourcen konstant. Als der Umfang der Aufgabe zunahm, verwies der einzelne Agent im größten Szenario auf 11 Quellen, während das verteilte System mehr als 700 heranzog. In einem verblindeten Vergleich bevorzugten Fachleute die Berichte der verteilten Agenten in 75 % der Fälle gegenüber den Berichten eines einzelnen Agenten.
Diese Zahlen beziehen sich auf das konkrete Experiment und die Bewertung durch Fachleute. Für Forschungsteams lautet die praktische Schlussfolgerung: Sie sollten nicht nur die Geschwindigkeit der Analyse prüfen, sondern auch die Breite der Quellen, die Qualität der Verweise und die Frage, ob daraus klare, überprüfbare Hypothesen entstehen.
Vom unerwarteten Zusammenhang zum nächsten Experiment
Ein Beispiel betrifft das Gen DCTN1, dessen Mutationen das Perry-Syndrom verursachen – eine neurodegenerative Erkrankung mit Symptomen, die denen der Parkinson-Krankheit ähneln. Im Atlas ging der Eingriff in Dctn1 mit einer erhöhten Aktivität von Genen einher, die mit der Cholesterinsynthese verbunden sind. Nachdem die Agenten diese Beobachtung mit Veröffentlichungen zum Cholesterintransport abgeglichen hatten, formulierten sie die Frage: Könnte eine Störung von DCTN1 die Verteilung von Cholesterin innerhalb von Neuronen verändern und deren Schädigung beeinflussen?
Eine weitere Hypothese entstand beim Vergleich von Tsc1 und Tsc2. Obwohl beide Gene an der Regulation von mTOR beteiligt sind, veränderte der Eingriff in Tsc2 in bestimmten Zellen des Kleinhirns die Aktivität Dutzender Gene, die mit der neuronalen Kommunikation verbunden sind. Bei Tsc1 beobachtete das Team in diesem Bereich eine deutlich geringere Wirkung. Solche Ergebnisse helfen, die Suche einzugrenzen: Forschende können bestimmte Zelltypen und Mechanismen für anschließende Labortests auswählen.
Der veröffentlichte Reasoning-Atlas-Katalog ermöglicht Forschenden, die Zusammenhänge zu untersuchen und Ansätze für weitere Arbeiten auszuwählen. Der größte praktische Nutzen des Projekts liegt im Umfang der ersten Sichtung: Das System verknüpft große Mengen experimenteller Daten rasch mit der Fachliteratur und schlägt Ideen zur Überprüfung vor. Forschende können diese Ideen nutzen, um zu entscheiden, welche Hypothesen sie in einem Laborexperiment testen sollten.