Michael Johnson21. oktober 2026 beskrev OpenAI en studie der tusenvis av KI-agenter på 32 minutter analyserte data om påvirkning på millioner av hjerneceller fra mus. I stedet for én lang forespørsel fordelte teamet arbeidet mellom agentene: Hver undersøkte et eget genetisk inngrep, sammenlignet celleendringer med publikasjoner og foreslo en mulig forklaring. Resultatet ble en åpen katalog over forbindelser mellom gener, effekter i celler og vitenskapelig litteratur.
OpenAI, PerturbAI og Scripps Research deltok i prosjektet. Deres beskrivelse av studien og artikkelens preprint viser et praktisk bruksområde for agentsystemer: å gjennomgå et bredt spekter av eksperimentelle resultater parallelt og omsette oppdagede sammenhenger til spørsmål som kan undersøkes i laboratoriet. Dette er særlig nyttig når datamengden har blitt større enn det en forskergruppe rekker å sammenholde manuelt med den spredte faglitteraturen.
Slik fordelte de analysen
GPT-Rosalind-agentene arbeidet med et helhjerneatlas som viser hvordan forstyrrelser i enkeltgener påvirker ulike celletyper. Hver agent analyserte sitt inngrep, undersøkte celleresponsen, søkte etter relevante vitenskapelige publikasjoner og formulerte en hypotese. Deretter ble rapportene samlet i et «reasoning atlas» – en katalog der observasjoner knyttes til mulige mekanismer og kilder.
Ifølge forskerteamets anslag ville en tilsvarende manuell analyse, ett inngrep om gangen, ha tatt fra flere måneder til ett år. Sammenligningen gjelder arbeidsomfanget som er beskrevet og teamets anslag; agentene analyserte tidligere innsamlede data på nytt, de utførte ikke nye biologiske eksperimenter. Hypotesene som kom frem, kan bidra til å avgjøre hvilke observasjoner som bør undersøkes nærmere.
Hvorfor teamet brukte tusenvis av agenter
OpenAI sammenlignet den distribuerte tilnærmingen med én agent, med samme modell og tilgjengelige ressurser. Da oppgaveomfanget økte, viste én-agenten til 11 kilder i det største scenarioet, mens det distribuerte systemet viste til mer enn 700. I en blind sammenligning foretrakk ekspertene rapportene fra de distribuerte agentene fremfor rapportene fra én agent i 75 % av tilfellene.
Tallene gjelder dette konkrete eksperimentet og ekspertenes vurdering. Den praktiske lærdommen for forskergrupper er å undersøke ikke bare analysetiden, men også bredden i kildegrunnlaget, kvaliteten på henvisningene og om resultatene blir til tydelige hypoteser som kan testes.
Fra en uventet sammenheng til neste eksperiment
Et av eksemplene gjelder genet DCTN1, der mutasjoner forårsaker Perry-syndrom – en nevrodegenerativ sykdom med symptomer som ligner på Parkinsons sykdom. I atlasdataene var forstyrrelse av Dctn1 ledsaget av økt aktivitet i gener knyttet til kolesterolsyntese. Ved å sammenholde observasjonen med publikasjoner om kolesteroltransport formulerte agentene et spørsmål: Kan forstyrrelse av DCTN1 endre fordelingen av kolesterol inne i nerveceller og påvirke skaden på dem?
En annen hypotese oppsto da Tsc1 og Tsc2 ble sammenlignet. Selv om begge genene deltar i reguleringen av mTOR, endret forstyrrelse av Tsc2 aktiviteten til flere titalls gener knyttet til nevronkommunikasjon i bestemte celler i lillehjernen. For Tsc1 observerte teamet en langt mindre effekt i dette området. Slike resultater kan snevre inn søket: Forskerne kan velge bestemte celler og mekanismer for videre testing i laboratoriet.
Den publiserte reasoning atlas-katalogen gjør det mulig for forskere å undersøke sammenhenger og velge retninger for videre arbeid. Prosjektets viktigste praktiske verdi ligger i omfanget av den innledende gjennomgangen: Systemet kobler raskt store eksperimentelle datasett til litteraturen og foreslår ideer som kan testes. Forskerne kan bruke ideene til å avgjøre hvilke hypoteser som bør prøves i laboratoriet.