OpenAI wraz z firmą biotechnologiczną PerturbAI i Scripps Research zademonstrowały, jak rozproszone agenty AI mogą przyspieszać pracę z ogromnymi zbiorami danych biologicznych.
Zespół wykorzystał tysiące agentów opartych na GPT-Rosalind do analizy whole-brain CRISPR atlas — danych o wpływie zaburzeń genów na miliony komórek mózgu myszy. Każdy agent badał jeden gen: analizował reakcje komórkowe, szukał powiązań w literaturze naukowej i proponował możliwe wyjaśnienia.
Cały proces zajął 32 minuty. Badacze szacują, że porównywalna ręczna analiza i przegląd literatury dotyczącej jednego genu mogłyby zająć od kilku miesięcy do roku.
Na czym to polega
AI nie przeprowadziło nowych eksperymentów ani nie dowiodło przyczyny choroby. Szybko przetworzyło już istniejące dane, znalazło prawidłowości i zaproponowało hipotezy, które naukowcy mogą teraz sprawdzić w laboratorium.
Wyniki połączono w reasoning atlas — mapę, na której powiązano geny, efekty komórkowe, publikacje naukowe i możliwe mechanizmy. Taki atlas pomaga badaczom nie przeglądać danych ręcznie, lecz od razu widzieć najbardziej obiecujące kierunki.
Dlaczego to ważne
Największą wartością projektu jest skala. Tysiące agentów równolegle przeanalizowały dane o milionach komórek i zacytowały ponad 700 źródeł naukowych. Dla porównania: pojedynczy agent w tym samym teście wykorzystał tylko 11 źródeł.
W ślepym porównaniu biolodzy częściej wybierali raporty rozproszonych agentów — w 75% przypadków. Nie oznacza to, że AI zawsze ma rację, ale pokazuje, że system potrafi dawać użyteczne i dobrze uzasadnione wnioski badawcze.
Co odkryto
Wśród hipotez znalazły się nieoczekiwane różnice w działaniu genów Tsc1 i Tsc2 w móżdżku: zaburzenie Tsc2 zmieniło aktywność dziesiątek genów, a Tsc1 — niemal wcale.
Kolejny przykład dotyczy genu DCTN1, którego mutacje wiążą się z rzadką chorobą neurodegeneracyjną — zespołem Perry'ego. Zaburzenie tego genu zwiększyło ekspresję genów uczestniczących w syntezie cholesterolu. Nie jest to ustalona przyczyna choroby, lecz możliwy trop wymagający dalszych weryfikacji.
Co dalej
Reasoning atlas jest już dostępny badaczom: można go wykorzystywać do poszukiwania nowych hipotez i planowania eksperymentów.
Partnerzy postrzegają to podejście jako sposób na szybsze znajdowanie potencjalnych celów dla leków. Jeśli metoda potwierdzi się na innych danych, może uczynić poszukiwanie nowych leków bardziej systemowym. Na razie to jednak wczesny etap: AI proponuje pomysły, a ostateczne wnioski pozostają w rękach naukowców i eksperymentów laboratoryjnych.