Michael JohnsonLe 21 octobre 2026, OpenAI a présenté une étude dans laquelle des milliers d’agents d’IA ont analysé en 32 minutes des données sur des interventions portant sur des millions de cellules cérébrales de souris. Plutôt que de soumettre une seule longue requête, l’équipe a réparti le travail entre les agents : chacun a étudié une intervention génétique distincte, rapproché les changements cellulaires des publications et proposé une explication possible. Le résultat est un catalogue ouvert reliant les gènes, les effets cellulaires et la littérature scientifique.
Le projet a réuni OpenAI, PerturbAI et Scripps Research. Leur présentation de l’étude et leur prépublication illustrent un cas d’usage concret des systèmes d’agents : examiner en parallèle un vaste ensemble de résultats expérimentaux et transformer les liens repérés en questions à vérifier en laboratoire. Cette approche est particulièrement utile lorsque le volume de données dépasse ce qu’une équipe de recherche peut rapprocher manuellement d’une littérature dispersée.
Comment l’analyse a été répartie
Les agents GPT-Rosalind ont travaillé sur un atlas du cerveau entier montrant comment la perturbation de gènes individuels affecte différents types cellulaires. Chaque agent a analysé une intervention, étudié la réponse cellulaire, recherché les publications scientifiques pertinentes et formulé une hypothèse. Les rapports ont ensuite été réunis dans un reasoning atlas, un catalogue qui relie les observations à des mécanismes possibles et à leurs sources.
Selon l’équipe de recherche, une analyse manuelle comparable, menée une intervention à la fois, aurait pris de plusieurs mois à un an. Cette comparaison porte sur le volume de travail décrit et sur l’estimation de l’équipe ; les agents ont réanalysé des données déjà recueillies, sans réaliser de nouvelles expériences biologiques. Les hypothèses obtenues aident à déterminer quelles observations méritent d’être vérifiées davantage.
Pourquoi l’équipe a utilisé des milliers d’agents
OpenAI a comparé l’approche distribuée à celle d’un agent unique, en conservant le même modèle et les mêmes ressources disponibles. À mesure que la tâche prenait de l’ampleur, l’agent unique n’a cité que 11 sources dans le scénario le plus important, contre plus de 700 pour le système distribué. Lors d’une comparaison à l’aveugle, les spécialistes ont préféré les rapports des agents distribués à ceux de l’agent unique dans 75 % des cas.
Ces chiffres se rapportent à une expérience particulière et à l’évaluation des spécialistes. Pour les équipes scientifiques, la leçon pratique est de vérifier non seulement la rapidité de l’analyse, mais aussi la couverture des sources, la qualité des références et la capacité à formuler des hypothèses claires et vérifiables.
D’un lien inattendu à la prochaine expérience
Un exemple concerne le gène DCTN1, dont les mutations provoquent le syndrome de Perry, une maladie neurodégénérative associée à des symptômes semblables à ceux de la maladie de Parkinson. Dans les données de l’atlas, la perturbation de Dctn1 s’accompagnait d’une activité accrue de gènes liés à la synthèse du cholestérol. En rapprochant cette observation de publications sur le transport du cholestérol, les agents ont formulé la question suivante : une perturbation de DCTN1 pourrait-elle modifier la répartition du cholestérol dans les neurones et contribuer à leur dégénérescence ?
Une autre hypothèse est issue de la comparaison entre Tsc1 et Tsc2. Bien que les deux gènes participent à la régulation de mTOR, la perturbation de Tsc2 dans certaines cellules du cervelet modifiait l’activité de dizaines de gènes associés à la communication neuronale ; pour Tsc1, l’équipe a observé un effet bien plus faible dans cette région. Ces résultats aident à resserrer les pistes : les chercheurs peuvent choisir des cellules et des mécanismes précis à tester ensuite en laboratoire.
Le catalogue reasoning atlas publié permet aux chercheurs d’examiner les liens et de sélectionner des pistes pour la suite des travaux. Le principal intérêt pratique du projet réside dans l’ampleur de cette première exploration : le système relie rapidement de grands ensembles de données expérimentales à la littérature et propose des idées à vérifier. Les chercheurs peuvent s’appuyer sur ces idées pour décider quelles hypothèses soumettre à une expérience en laboratoire.