Michael JohnsonDen 21 oktober 2026 beskrev OpenAI en studie där tusentals AI-agenter på 32 minuter analyserade data om genetiska ingrepp i miljontals hjärnceller från möss. I stället för en enda lång förfrågan fördelade teamet arbetet mellan agenter: var och en undersökte ett separat genetiskt ingrepp, jämförde cellförändringar med publikationer och föreslog en möjlig förklaring. Resultatet blev en öppen katalog över samband mellan gener, effekter i celler och vetenskaplig litteratur.
OpenAI, PerturbAI och Scripps Research deltog i projektet. Deras beskrivning av studien och artikelns förpublicerade version visar ett praktiskt användningsområde för agentsystem: att gå igenom ett stort urval experimentresultat parallellt och omvandla upptäckta samband till frågor som kan prövas i laboratoriet. Detta är särskilt användbart när datamängden redan är större än vad en forskargrupp hinner jämföra manuellt med den spridda vetenskapliga litteraturen.
Så fördelades analysen
GPT-Rosalind-agenterna arbetade med en helhjärnsatlas som visar hur störningar i enskilda gener påverkar olika celltyper. Varje agent analyserade sitt genetiska ingrepp, undersökte cellernas respons, sökte efter relevanta vetenskapliga publikationer och formulerade en hypotes. Därefter sammanfördes de separata rapporterna till en reasoning atlas – en katalog där observationer kopplas till möjliga mekanismer och källor.
Enligt forskargruppen skulle en jämförbar manuell analys, ett ingrepp i taget, ha tagit från flera månader till ett år. Jämförelsen gäller den beskrivna arbetsmängden och gruppens uppskattning; agenterna analyserade insamlade data på nytt och genomförde inga nya biologiska experiment. Hypoteserna kan hjälpa till att avgöra vilka observationer som förtjänar ytterligare undersökning.
Varför teamet använde tusentals agenter
OpenAI jämförde det distribuerade arbetssättet med en enda agent, med samma modell och tillgängliga resurser. När uppgiftens omfattning ökade hänvisade den ensamma agenten i det största scenariot till 11 källor, medan det distribuerade systemet hänvisade till fler än 700. I en blind jämförelse föredrog experter de distribuerade agenternas rapporter framför rapporterna från en enda agent i 75 procent av fallen.
Siffrorna gäller detta specifika experiment och experternas bedömning. För forskargrupper är den praktiska lärdomen att inte bara utvärdera analysens hastighet, utan även källornas bredd, referensernas kvalitet och om resultaten leder till tydliga hypoteser som går att pröva.
Från oväntat samband till nästa experiment
Ett exempel gäller genen DCTN1, vars mutationer orsakar Perrys syndrom – en neurodegenerativ sjukdom med symtom som liknar Parkinsons sjukdom. I atlasdata åtföljdes en störning i Dctn1 av ökad aktivitet hos gener som är kopplade till kolesterolsyntes. Genom att jämföra observationen med publikationer om kolesteroltransport formulerade agenterna en fråga: Kan en störning i DCTN1 förändra fördelningen av kolesterol i nervceller och påverka hur de skadas?
En annan hypotes uppstod vid en jämförelse mellan Tsc1 och Tsc2. Även om båda generna deltar i regleringen av mTOR förändrade en störning i Tsc2 aktiviteten hos dussintals gener kopplade till neuronal kommunikation i vissa lillhjärnsceller. För Tsc1 såg teamet en betydligt mindre effekt i detta område. Sådana resultat kan avgränsa sökandet: forskare kan välja ut specifika celler och mekanismer för senare laboratorietester.
Den publicerade reasoning atlas-katalogen gör det möjligt för forskare att undersöka samband och välja inriktning för fortsatt arbete. Projektets främsta praktiska värde ligger i omfattningen av den inledande genomgången: systemet kopplar snabbt stora mängder experimentdata till litteraturen och föreslår idéer som kan prövas. Forskarna kan använda idéerna för att avgöra vilka hypoteser som bör tas vidare till laboratorieexperiment.