Michael Johnson21 października 2026 roku OpenAI opisało badanie, w którym tysiące agentów AI w 32 minuty przeanalizowały dane dotyczące oddziaływań na miliony komórek mózgu myszy. Zamiast jednego długiego zapytania zespół podzielił pracę między agentów: każdy badał osobną ingerencję genetyczną, porównywał zmiany komórkowe z publikacjami i proponował możliwe wyjaśnienie. Efektem był otwarty katalog powiązań między genami, zmianami w komórkach i literaturą naukową.
W projekcie uczestniczyły OpenAI, PerturbAI i Scripps Research. Ich opis badania oraz preprint artykułu pokazują praktyczne zastosowanie systemów agentowych: równoległe przeglądanie szerokiego zestawu wyników eksperymentalnych i przekształcanie dostrzeżonych powiązań w pytania do weryfikacji w laboratorium. Jest to szczególnie przydatne tam, gdzie ilość danych przekracza możliwości zespołu badawczego, by ręcznie zestawić je z rozproszoną literaturą.
Jak podzielono analizę
Agenci GPT-Rosalind pracowali z atlasem całego mózgu, pokazującym, jak zaburzenia poszczególnych genów wpływają na różne typy komórek. Każdy agent analizował własną ingerencję, badał odpowiedź komórkową, wyszukiwał powiązane publikacje naukowe i formułował hipotezę. Następnie połączono osobne raporty w reasoning atlas — katalog łączący obserwacje z możliwymi mechanizmami i źródłami.
Według szacunków zespołu badawczego porównywalna ręczna analiza, prowadzona po jednej ingerencji naraz, zajęłaby od kilku miesięcy do roku. To porównanie dotyczy opisanego zakresu prac i szacunków zespołu; agenci ponownie przeanalizowali już zgromadzone dane, nie przeprowadzali nowych eksperymentów biologicznych. Uzyskane hipotezy pomagają określić, które obserwacje zasługują na dalszą weryfikację.
Dlaczego zespół użył tysięcy agentów
OpenAI porównało podejście rozproszone z pracą jednego agenta, zapewniając ten sam model i dostępne zasoby. Wraz ze wzrostem zakresu zadania pojedynczy agent w największym scenariuszu powołał się na 11 źródeł, podczas gdy system rozproszony — na ponad 700. W ślepym porównaniu specjaliści w 75% przypadków woleli raporty agentów rozproszonych od raportów pojedynczego agenta.
Liczby te dotyczą konkretnego eksperymentu i oceny specjalistów. Praktyczny wniosek dla zespołów naukowych jest taki, by sprawdzać nie tylko szybkość analizy, lecz także zakres źródeł, jakość odwołań i to, czy wyniki prowadzą do jasnych, możliwych do zweryfikowania hipotez.
Od nieoczekiwanego powiązania do kolejnego eksperymentu
Jeden z przykładów dotyczy genu DCTN1, którego mutacje wywołują zespół Perry’ego — chorobę neurodegeneracyjną z objawami podobnymi do choroby Parkinsona. W danych atlasu zaburzenie Dctn1 wiązało się ze zwiększoną aktywnością genów związanych z syntezą cholesterolu. Zestawiając tę obserwację z publikacjami o transporcie cholesterolu, agenci sformułowali pytanie: czy zaburzenie DCTN1 może zmieniać rozmieszczenie cholesterolu w neuronach i wpływać na ich uszkodzenia?
Inna hipoteza powstała podczas porównania Tsc1 i Tsc2. Chociaż oba geny uczestniczą w regulacji mTOR, zaburzenie Tsc2 w określonych komórkach móżdżku zmieniało aktywność dziesiątek genów związanych z komunikacją neuronów; w przypadku Tsc1 zespół zaobserwował w tym obszarze znacznie słabszy efekt. Takie wyniki pomagają zawęzić poszukiwania: badacze mogą wybrać konkretne komórki i mechanizmy do późniejszych testów laboratoryjnych.
Opublikowany katalog reasoning atlas pozwala badaczom analizować powiązania i wybierać kierunki dalszej pracy. Główna praktyczna wartość projektu tkwi w skali wstępnego przeglądu: system szybko łączy duże zbiory eksperymentów z literaturą i proponuje pomysły do weryfikacji. Badacze mogą wykorzystać te pomysły, by zdecydować, które hipotezy warto sprawdzić w eksperymencie laboratoryjnym.