Michael Johnson21 жовтня 2026 року OpenAI описала дослідження, у якому тисячі ШІ-агентів за 32 хвилини проаналізували дані про вплив на мільйони клітин мозку мишей. Замість одного довгого запиту команда розподілила роботу між агентами: кожен вивчав окреме генетичне втручання, зіставляв клітинні зміни з публікаціями та пропонував можливе пояснення. Результатом став відкритий каталог зв’язків між генами, ефектами у клітинах і науковою літературою.
У проєкті взяли участь OpenAI, PerturbAI та Scripps Research. Їхній опис дослідження і препринт статті демонструють практичний сценарій для агентних систем: паралельно переглядати широкий набір експериментальних результатів і перетворювати виявлені зв’язки на запитання для лабораторної перевірки. Це особливо корисно там, де даних уже більше, ніж дослідницька група встигає вручну зіставити з розрізненими публікаціями.
Як розподілили аналіз
Агенти GPT-Rosalind працювали з атласом усього мозку, який показує, як порушення окремих генів впливають на різні типи клітин. Кожен агент аналізував своє втручання, вивчав клітинну відповідь, шукав дотичні наукові публікації та формулював гіпотезу. Потім окремі звіти об’єднали в reasoning atlas — каталог, де спостереження пов’язані з можливими механізмами та джерелами.
За оцінкою дослідницької команди, зіставний ручний аналіз одного втручання за раз тривав би від кількох місяців до року. Це порівняння стосується описаного обсягу роботи та оцінки команди; агенти повторно проаналізували вже зібрані дані, а не проводили нові біологічні експерименти. Отримані гіпотези допомагають визначити, які спостереження варто перевірити надалі.
Чому команда використала тисячі агентів
OpenAI порівняла розподілений підхід з одним агентом, зберігши ту саму модель і доступні ресурси. Зі збільшенням обсягу завдання одиночний агент у найбільшому сценарії послався на 11 джерел, тоді як розподілена система — на понад 700. У сліпому порівнянні фахівці віддали перевагу звітам розподілених агентів перед звітами одного агента у 75% випадків.
Ці цифри стосуються конкретного експерименту та оцінки фахівців. Практичний висновок для наукових команд — перевіряти не лише швидкість аналізу, а й охоплення джерел, якість посилань і те, чи перетворюються результати на чіткі гіпотези, які можна перевірити.
Від несподіваного зв’язку до наступного експерименту
Один із прикладів стосується гена DCTN1, мутації якого спричиняють синдром Перрі — нейродегенеративне захворювання із симптомами, подібними до хвороби Паркінсона. У даних атласу порушення Dctn1 супроводжувалося підвищеною активністю генів, пов’язаних із синтезом холестерину. Зіставивши це спостереження з публікаціями про транспорт холестерину, агенти сформулювали запитання: чи може порушення DCTN1 змінювати розподіл холестерину всередині нейронів і впливати на їхнє пошкодження?
Інша гіпотеза виникла під час порівняння Tsc1 і Tsc2. Хоча обидва гени беруть участь у регуляції mTOR, порушення Tsc2 у певних клітинах мозочка змінювало активність десятків генів, пов’язаних із нейронною комунікацією; для Tsc1 команда спостерігала значно менший ефект у цій ділянці. Такі результати допомагають звузити пошук: дослідники можуть обрати конкретні клітини й механізми для подальшого лабораторного тестування.
Опублікований каталог reasoning atlas дає змогу дослідникам вивчати зв’язки й обирати напрями для продовження роботи. Головна практична цінність проєкту — масштаб первинного огляду: система швидко пов’язує великі масиви експериментальних даних із літературою та пропонує ідеї для перевірки. Дослідники можуть скористатися цими ідеями, щоб вирішити, які гіпотези варто перевірити в лабораторному експерименті.