Michael JohnsonEl 21 de octubre de 2026, OpenAI describió una investigación en la que miles de agentes de IA analizaron en 32 minutos datos sobre intervenciones en millones de células cerebrales de ratones. En lugar de enviar una única consulta extensa, el equipo distribuyó el trabajo entre los agentes: cada uno estudiaba una intervención genética, comparaba los cambios celulares con publicaciones y proponía una posible explicación. El resultado fue un catálogo abierto de relaciones entre genes, efectos en las células y literatura científica.
En el proyecto participaron OpenAI, PerturbAI y Scripps Research. Su descripción de la investigación y el preprint del artículo muestran un uso práctico de los sistemas agénticos: revisar en paralelo un amplio conjunto de resultados experimentales y convertir las relaciones detectadas en preguntas para su comprobación en el laboratorio. Esto resulta especialmente útil cuando hay más datos de los que un equipo de investigación puede cotejar manualmente con una literatura dispersa.
Cómo se distribuyó el análisis
Los agentes GPT-Rosalind trabajaron con un atlas de todo el cerebro que muestra cómo las alteraciones de genes individuales afectan a distintos tipos de células. Cada agente analizaba su intervención, estudiaba la respuesta celular, buscaba publicaciones científicas pertinentes y formulaba una hipótesis. Después, los informes individuales se combinaron en un reasoning atlas: un catálogo que vincula las observaciones con posibles mecanismos y fuentes.
Según la estimación del equipo de investigación, un análisis manual comparable, intervención por intervención, habría llevado entre varios meses y un año. Esta comparación se refiere al volumen de trabajo descrito y a la estimación del equipo; los agentes volvieron a analizar datos ya recopilados, no realizaron nuevos experimentos biológicos. Las hipótesis obtenidas ayudan a determinar qué observaciones merecen una comprobación posterior.
Por qué el equipo utilizó miles de agentes
OpenAI comparó el enfoque distribuido con un único agente, manteniendo el mismo modelo y los recursos disponibles. Al aumentar el volumen de la tarea, el agente individual citó 11 fuentes en el escenario más amplio, mientras que el sistema distribuido citó más de 700. En una comparación a ciegas, los especialistas prefirieron los informes de los agentes distribuidos a los del agente único en el 75 % de los casos.
Estas cifras corresponden a un experimento concreto y a la evaluación de especialistas. La conclusión práctica para los equipos científicos es comprobar no solo la velocidad del análisis, sino también la cobertura de las fuentes, la calidad de las referencias y si los resultados se convierten en hipótesis claras que puedan ponerse a prueba.
De una relación inesperada al siguiente experimento
Uno de los ejemplos se refiere al gen DCTN1, cuyas mutaciones causan el síndrome de Perry, una enfermedad neurodegenerativa con síntomas similares a los del párkinson. En los datos del atlas, la alteración de Dctn1 se acompañaba de una mayor actividad de genes relacionados con la síntesis de colesterol. Al contrastar esta observación con publicaciones sobre el transporte de colesterol, los agentes plantearon una pregunta: ¿podría la alteración de DCTN1 cambiar la distribución del colesterol dentro de las neuronas e influir en su daño?
Otra hipótesis surgió al comparar Tsc1 y Tsc2. Aunque ambos genes participan en la regulación de mTOR, la alteración de Tsc2 en determinadas células del cerebelo modificaba la actividad de decenas de genes relacionados con la comunicación neuronal; en esa zona, el equipo observó un efecto mucho menor para Tsc1. Estos resultados ayudan a acotar la búsqueda: los investigadores pueden elegir células y mecanismos concretos para someterlos a pruebas de laboratorio posteriores.
El catálogo reasoning atlas publicado permite a los investigadores explorar las relaciones y seleccionar líneas para continuar el trabajo. El principal valor práctico del proyecto reside en la escala de su revisión inicial: el sistema relaciona rápidamente grandes conjuntos de experimentos con la literatura y propone ideas que pueden ponerse a prueba. Los investigadores pueden utilizar estas ideas para decidir qué hipótesis llevar a un experimento de laboratorio.