Michael Johnson21 октября 2026 года OpenAI описала исследование, в котором тысячи ИИ-агентов за 32 минуты проанализировали данные о воздействиях на миллионы клеток мозга мышей. Вместо единого длинного запроса команда распределила работу между агентами: каждый изучал отдельное генетическое вмешательство, сопоставлял клеточные изменения с публикациями и предлагал возможное объяснение. Итогом стал открытый каталог связей между генами, эффектами в клетках и научной литературой.
В проекте участвовали OpenAI, PerturbAI и Scripps Research. Их описание исследования и препринт статьи показывают практический сценарий для агентных систем: параллельно просматривать широкий набор экспериментальных результатов и превращать найденные связи в вопросы для лабораторной проверки. Это особенно полезно там, где данных уже больше, чем исследовательская группа успевает вручную сопоставить с разрозненной литературой.
Как распределили анализ
Агенты GPT-Rosalind работали с атласом всего мозга, показывающим, как нарушения отдельных генов влияют на разные типы клеток. Каждый агент разбирал своё вмешательство, изучал клеточный ответ, искал относящиеся к нему научные публикации и формулировал гипотезу. Затем отдельные отчёты объединили в reasoning atlas — каталог, где наблюдения связаны с возможными механизмами и источниками.
По оценке исследовательской команды, сопоставимый ручной анализ по одному вмешательству за раз занял бы от нескольких месяцев до года. Это сравнение относится к описанному объёму работы и оценке команды; агенты переанализировали уже собранные данные, а не проводили новые биологические эксперименты. Полученные гипотезы помогают определить, какие наблюдения заслуживают дальнейшей проверки.
Почему команда использовала тысячи агентов
OpenAI сравнила распределённый подход с одним агентом, сохранив модель и доступные ресурсы. При увеличении объёма задачи одиночный агент в крупнейшем сценарии сослался на 11 источников, тогда как распределённая система — более чем на 700. В слепом сравнении специалисты предпочли отчёты распределённых агентов отчётам одного агента в 75% случаев.
Эти цифры относятся к конкретному эксперименту и оценке специалистов. Для научных команд практический вывод — проверять не только скорость анализа, но и охват источников, качество ссылок и то, превращаются ли результаты в ясные гипотезы, которые можно проверить.
От неожиданной связи к следующему эксперименту
Один из примеров касается гена DCTN1, мутации которого вызывают синдром Перри — нейродегенеративное заболевание с симптомами, похожими на болезнь Паркинсона. В данных атласа нарушение Dctn1 сопровождалось повышенной активностью генов, связанных с синтезом холестерина. Сопоставив наблюдение с публикациями о транспорте холестерина, агенты сформулировали вопрос: может ли нарушение DCTN1 менять распределение холестерина внутри нейронов и влиять на их повреждение?
Другая гипотеза возникла при сравнении Tsc1 и Tsc2. Хотя оба гена участвуют в регуляции mTOR, нарушение Tsc2 в определённых клетках мозжечка меняло активность десятков генов, связанных с нейронной коммуникацией; для Tsc1 команда наблюдала гораздо меньший эффект в этом участке. Такие результаты помогают сузить поиск: исследователи могут выбрать конкретные клетки и механизмы для последующего лабораторного теста.
Опубликованный каталог reasoning atlas позволяет исследователям изучать связи и выбирать направления для продолжения работы. Главная практическая ценность проекта — в масштабе первичного обзора: система быстро связывает большие массивы экспериментов с литературой и предлагает идеи для проверки. Исследователи могут использовать эти идеи, чтобы решить, какие гипотезы стоит вынести в лабораторный эксперимент.