Michael JohnsonEm 21 de outubro de 2026, a OpenAI descreveu um estudo no qual milhares de agentes de IA analisaram, em 32 minutos, dados sobre intervenções em milhões de células cerebrais de camundongos. Em vez de fazer uma única solicitação longa, a equipe dividiu o trabalho entre agentes: cada um estudava uma intervenção genética específica, comparava as alterações celulares com publicações e propunha uma possível explicação. O resultado foi um catálogo aberto que relaciona genes, efeitos nas células e literatura científica.
O projeto envolveu OpenAI, PerturbAI e Scripps Research. A descrição do estudo e o preprint do artigo mostram um cenário prático para sistemas agênticos: examinar em paralelo um amplo conjunto de resultados experimentais e transformar as relações identificadas em perguntas para verificação em laboratório. Isso é especialmente útil quando já há mais dados do que um grupo de pesquisa consegue comparar manualmente com a literatura dispersa.
Como a análise foi dividida
Os agentes GPT-Rosalind trabalharam com um atlas de todo o cérebro que mostra como alterações em genes específicos afetam diferentes tipos de células. Cada agente analisava sua intervenção, estudava a resposta celular, buscava publicações científicas relacionadas e formulava uma hipótese. Depois, os relatórios individuais foram reunidos em um reasoning atlas — um catálogo que conecta observações a possíveis mecanismos e fontes.
Segundo a estimativa da equipe de pesquisa, uma análise manual comparável, feita uma intervenção por vez, levaria de alguns meses a um ano. Essa comparação se refere ao volume de trabalho descrito e à estimativa da equipe; os agentes reanalisaram dados já coletados, sem realizar novos experimentos biológicos. As hipóteses obtidas ajudam a identificar quais observações merecem ser verificadas posteriormente.
Por que a equipe usou milhares de agentes
A OpenAI comparou a abordagem distribuída com a de um único agente, mantendo o mesmo modelo e os recursos disponíveis. Com o aumento do volume da tarefa, o agente individual citou 11 fontes no cenário de maior escala, enquanto o sistema distribuído citou mais de 700. Em uma comparação cega, especialistas preferiram os relatórios dos agentes distribuídos aos de um único agente em 75% dos casos.
Esses números dizem respeito a um experimento específico e à avaliação de especialistas. Para equipes científicas, a conclusão prática é avaliar não apenas a velocidade da análise, mas também a abrangência das fontes, a qualidade das citações e se os resultados se traduzem em hipóteses claras e verificáveis.
De uma relação inesperada ao próximo experimento
Um dos exemplos envolve o gene DCTN1, cujas mutações causam a síndrome de Perry — uma doença neurodegenerativa com sintomas semelhantes aos da doença de Parkinson. Nos dados do atlas, a alteração de Dctn1 foi acompanhada por maior atividade de genes relacionados à síntese de colesterol. Ao comparar essa observação com publicações sobre o transporte de colesterol, os agentes formularam a pergunta: uma alteração em DCTN1 pode mudar a distribuição de colesterol dentro dos neurônios e afetar sua deterioração?
Outra hipótese surgiu da comparação entre Tsc1 e Tsc2. Embora ambos os genes participem da regulação de mTOR, a alteração de Tsc2 em determinadas células do cerebelo modificou a atividade de dezenas de genes relacionados à comunicação neuronal; para Tsc1, a equipe observou um efeito muito menor nessa região. Esses resultados ajudam a restringir a busca: os pesquisadores podem escolher células e mecanismos específicos para testes laboratoriais posteriores.
O catálogo reasoning atlas publicado permite que pesquisadores explorem as relações e escolham linhas de investigação para dar continuidade ao trabalho. O principal valor prático do projeto está na escala da análise inicial: o sistema relaciona rapidamente grandes conjuntos de experimentos à literatura e propõe ideias que podem ser verificadas. Os pesquisadores podem usar essas ideias para decidir quais hipóteses levar a experimentos de laboratório.