Migliaia di agenti IA analizzano in 32 minuti i dati di milioni di cellule cerebrali

Il 21 ottobre 2026 OpenAI ha descritto uno studio in cui migliaia di agenti IA hanno analizzato in 32 minuti i dati relativi agli effetti su milioni di cellule cerebrali di topo. Invece di affidare tutto a un’unica richiesta molto lunga, il gruppo ha suddiviso il lavoro tra gli agenti: ciascuno ha esaminato una diversa perturbazione genetica, confrontato i cambiamenti cellulari con le pubblicazioni e proposto una possibile spiegazione. Il risultato è un catalogo aperto di collegamenti tra geni, effetti nelle cellule e letteratura scientifica.

Al progetto hanno partecipato OpenAI, PerturbAI e Scripps Research. La loro descrizione dello studio e il preprint dell’articolo illustrano un possibile impiego pratico dei sistemi agentici: esaminare in parallelo un ampio insieme di risultati sperimentali e trasformare i collegamenti individuati in domande da verificare in laboratorio. È particolarmente utile quando i dati sono ormai più numerosi di quelli che un gruppo di ricerca riesce a confrontare manualmente con una letteratura frammentata.

Come è stata suddivisa l’analisi

Gli agenti GPT-Rosalind hanno lavorato su un atlante dell’intero cervello che mostra come le alterazioni di singoli geni influenzino diversi tipi di cellule. Ogni agente ha esaminato una propria perturbazione, studiato la risposta cellulare, cercato le pubblicazioni scientifiche pertinenti e formulato un’ipotesi. I singoli rapporti sono stati poi riuniti in un reasoning atlas, un catalogo che collega le osservazioni a possibili meccanismi e alle relative fonti.

Secondo la stima del gruppo di ricerca, un’analisi manuale comparabile, condotta una perturbazione alla volta, avrebbe richiesto da alcuni mesi a un anno. Il confronto riguarda il volume di lavoro descritto e la stima del gruppo: gli agenti hanno rianalizzato dati già raccolti, senza svolgere nuovi esperimenti biologici. Le ipotesi ottenute aiutano a stabilire quali osservazioni meritino ulteriori verifiche.

Perché il gruppo ha usato migliaia di agenti

OpenAI ha confrontato l’approccio distribuito con un singolo agente, mantenendo invariati il modello e le risorse disponibili. All’aumentare del volume del compito, nello scenario più ampio l’agente singolo ha citato 11 fonti, mentre il sistema distribuito ne ha citate più di 700. In una valutazione alla cieca, gli specialisti hanno preferito i rapporti degli agenti distribuiti a quelli del singolo agente nel 75% dei casi.

Questi dati si riferiscono a uno specifico esperimento e alla valutazione degli specialisti. Per i gruppi di ricerca, la lezione pratica è valutare non solo la velocità dell’analisi, ma anche l’ampiezza delle fonti consultate, la qualità dei riferimenti e la capacità di produrre ipotesi chiare e verificabili.

Da un collegamento inatteso al prossimo esperimento

Un esempio riguarda il gene DCTN1, le cui mutazioni causano la sindrome di Perry, una malattia neurodegenerativa con sintomi simili a quelli del Parkinson. Nei dati dell’atlante, l’alterazione di Dctn1 era accompagnata da un aumento dell’attività dei geni associati alla sintesi del colesterolo. Confrontando questa osservazione con le pubblicazioni sul trasporto del colesterolo, gli agenti hanno formulato una domanda: l’alterazione di DCTN1 può modificare la distribuzione del colesterolo all’interno dei neuroni e influire sul loro danneggiamento?

Un’altra ipotesi è emersa dal confronto tra Tsc1 e Tsc2. Sebbene entrambi i geni partecipino alla regolazione di mTOR, l’alterazione di Tsc2 in determinate cellule del cervelletto modificava l’attività di decine di geni associati alla comunicazione neuronale; nella stessa regione, il gruppo ha osservato un effetto molto più contenuto per Tsc1. Risultati di questo tipo aiutano a restringere la ricerca: gli studiosi possono selezionare cellule e meccanismi specifici da sottoporre a successive verifiche di laboratorio.

Il catalogo reasoning atlas pubblicato permette ai ricercatori di esplorare i collegamenti e scegliere come proseguire il lavoro. Il principale valore pratico del progetto sta nell’ampiezza dell’analisi preliminare: il sistema collega rapidamente grandi insiemi di esperimenti alla letteratura e propone idee da verificare. I ricercatori possono usare queste idee per decidere quali ipotesi portare in laboratorio.