Agenci GPT-Rosalind zbadali atlas mózgu myszy w 32 minuty

Co zrobili OpenAI, Scripps i PerturbAI

Zespół z laboratorium Xin Jin w Scripps Research, badacze OpenAI oraz założyciele PerturbAI opisali metodę nazwaną rozproszonym rozumowaniem biologicznym (distributed biological reasoning). Zamiast jednego asystenta AI, który czyta cały zbiór danych, uruchamia się tysiące agentów. Każdy bada jeden fragment eksperymentu, a ich wnioski są potem łączone w obraz całego badania.

Materiałem był atlas Perturb-seq, czyli eksperyment, w którym w żywym mózgu myszy wyłącza się pojedyncze geny techniką CRISPR i mierzy, jak zmienia się aktywność genów w poszczególnych typach komórek. W analizowanym zbiorze było 1946 takich perturbacji, a dane opublikowano w marcu 2026 roku. Preprint pojawił się na bioRxiv 16 października 2026 roku, a OpenAI przedstawił projekt na swoim blogu, co 22 października opisał serwis THE DECODER.

Jak działali agenci GPT-Rosalind

Każdy z 1946 agentów dostawał dane o jednym wyłączonym genie z podziałem na kilkanaście do dwudziestu kilku klas neuronów. Agent opisywał, które komórki zareagowały i jak, a następnie szukał w literaturze naukowej wyjaśnień. Na koniec system zestawiał wszystkie raporty, szukał par genów o podobnym albo przeciwnym działaniu i układał listę hipotez do sprawdzenia w laboratorium.

Autorzy użyli modelu GPT-Rosalind-5.5, czyli wersji OpenAI przeznaczonej dla nauk o życiu, z wiedzą sięgającą grudnia 2025 roku. To ważne dla oceny wyników, bo oryginalna publikacja o atlasie ukazała się w marcu 2026 roku. Model nie mógł więc znać jej wniosków z treningu, a agenci pracowali bez dostępu do jej tekstu. Według THE DECODER wynikowy zbiór raportów OpenAI nazywa Reasoning Atlas.

Wyniki badania w liczbach

Najmocniejszy argument autorów to porównanie z pojedynczym agentem, który dostał to samo zadanie. Rozproszony system znajdował w literaturze setki razy więcej odniesień, a przewaga rosła wraz z liczbą analizowanych genów. Poniżej najważniejsze dane z preprintu.

• czas równoległej analizy literatury - 32 minuty dla 1946 genów,
• przeczytane prace - 39 185, cytowania w raportach - 16 445,
• wnioski oryginalnego badania - 48 z 55 sprawdzalnych odtworzonych lub doprecyzowanych (87,3 proc.),
• przewidywanie skutków dla 272 genów ukrytych przed agentami - trafność zbalansowana 0,705,
• ślepa ocena 60 raportów przez 30 ekspertów - 75 proc. wskazań dla agentów rozproszonych, 16,7 proc. dla pojedynczego agenta, 8,3 proc. remisów,
• zgodność ocen agentów z ocenami ekspertów co do nowości hipotez - współczynnik korelacji 0,61.

Co z tego wynika dla biologii

Według relacji THE DECODER agenci wskazali nieoczekiwane różnice między dwoma genami związanymi z chorobami oraz możliwy związek między regulacją cholesterolu a neurodegeneracją. OpenAI przedstawia te tropy jako pomoc w wyborze mechanizmów, które warto najpierw sprawdzić w laboratorium. To hipotezy, a nie odkrycia potwierdzone eksperymentem.

W naszej ocenie najciekawszy jest sam schemat pracy. Duże eksperymenty genomiczne dają dziś więcej danych, niż zespoły są w stanie opisać, więc wiele wyników zostaje bez interpretacji. Podział zadania na tysiące małych analiz z odwołaniem do literatury może skrócić etap porządkowania danych i ułatwić wybór kolejnych doświadczeń. Podobny kierunek pokazały wcześniej Claude Science przy odkryciu systemu enzymatycznego ART i AlphaGenome Atlas od Google DeepMind.

Ograniczenia i zastrzeżenia

Praca jest preprintem, więc nie przeszła recenzji naukowej. Część autorów pracuje w OpenAI, a Xin Jin i Grace Zheng są współzałożycielami PerturbAI, co ujawniono w deklaracji konfliktu interesów. Szacunek kilku miesięcy pracy człowieka autorzy sami nazywają ilustracyjnym. Preprint nie podaje kosztu obliczeń.

Autorzy wymieniają też słabości metody. System trafniej rozpoznawał geny bez wpływu na komórki (82 proc.) niż geny, które coś zmieniały (59 proc.), a czasem przeszacowywał reakcje. Brak literatury dla części wniosków oznacza lukę w wyszukiwaniu, nie brak badań. Metodę trzeba jeszcze sprawdzić na niezależnych zbiorach danych i w nowych eksperymentach.

Czy polskie zespoły mogą z tego skorzystać

Kod DistributedAgents jest dostępny na GitHubie na licencji MIT i domyślnie korzysta z Codex CLI oraz klucza API OpenAI. Sam model GPT-Rosalind OpenAI udostępnia jednak wyłącznie zatwierdzonym organizacjom badawczym w ramach programu trusted access, z rozliczeniem w API. Polska uczelnia lub firma biotechnologiczna musi więc najpierw przejść weryfikację albo uruchomić system na ogólnodostępnym modelu, co może dać inne wyniki.

Przed wdrożeniem warto policzyć koszt tysięcy równoległych zapytań i sprawdzić, czy dane z eksperymentów mogą trafić do chmury OpenAI. W projektach finansowanych ze środków publicznych i przy danych pochodzących od pacjentów decyzję powinien poprzedzić przegląd umowy przetwarzania danych.