OpenAI 21. října oznámila, že 1 946 jejích agentů GPT-Rosalind, běžících paralelně, analyzovalo existující data z milionů myších mozkových buněk za 32 minut – práce, kterou tým odhaduje, zabere lidské výzkumné skupině měsíce až rok, než ji dokončí manuální analýzou a revizí literatury.
Demonstrace provedená se společností PerturbAI a Scripps Research, která se zabývá objevováním léků, je popsána v předtisku bioRxiv a aplikuje to, co tým nazývá „distribuované biologické uvažování“ na atlas CRISPR celého mozku – soubor dat katalogizující, jak narušení jednotlivých genů mění genovou expresi v mozkových buňkách. For more context on this story, see our ongoing AI news.
Jak funguje distribuované biologické uvažování
Perturbační experimenty CRISPR umožňují výzkumníkům vypínat geny a měřit výsledné buněčné změny, ale mohou generovat více pozorování, než může do hloubky prozkoumat jakákoliv jediná laboratoř. Toto úzké hrdlo je přesně důvodem, proč výzkumníci veřejně sdílejí atlasy buněk. PerturbAI, společnost zabývající se objevováním léků, která se podílela na vývoji tohoto přístupu, a Scripps Research dodaly vědecké rámce a přezkoumání domény pro spolupráci.
Software popsaný v předtisku přiřadí každé narušení genu nezávislému agentovi AI. Každý agent zkoumá buněčné změny spojené s jeho přiřazeným genem, prohledává vědeckou literaturu a navrhuje vysvětlení toho, co najde. Koordinační vrstva pak kombinuje zprávy agentů, identifikuje spojení napříč celým souborem dat a seřadí nejslibnější nápady pro lidské sledování.
"Vytváříme buněčné atlasy, aby jiní vědci mohli dělat objevy, které jsme si dosud nepředstavovali," řekla Sarah Teichmannová, předsedkyně medicíny kmenových buněk na University of Cambridge a zakládající spolupředsedkyně Human Cell Atlas, v oznámení OpenAI. "AI by mohla pomoci více výzkumníkům prozkoumat tyto zdroje a proměnit neočekávaná pozorování v nové otázky k testování."
Čísla: 711 krát více odkazů, 48 z 55 nalezených nálezů
Rozdíl v měřítku mezi jedním agentem a téměř 2000 je markantní. Při srovnání s použitím stejného modelu, promptu, nástrojů a přístupu k datům měly běhy s jedním agentem v průměru asi 11 odkazů na literaturu při největší zátěži, zatímco distribuovaný systém si uchoval 7 586 odkazů — přibližně 711krát tolik, podle veřejných dat projektu.
Agenti také obstáli dobře proti původní vědě. Při práci bez přístupu k rukopisu atlasové studie porovnali nebo upřesnili 48 z 55 zjištění původní studie, které bylo možné čerpat z údajů, které agenti obdrželi.
K posouzení kvality tým najal 30 biologů na doktorandské úrovni pro zaslepenou kontrolu. Jejich hodnocení do značné míry podpořilo hodnocení agentů nejslibnějších vedoucích výzkumu.
Cholesterolové olovo DCTN1
Jedno zjištění ilustruje druh hypotézy, kterou má systém vynořit. Narušení DCTN1 – genu spojeného s neurodegenerací – zvýšilo aktivitu genů zapojených do produkce cholesterolu. Základní linie pro jediné činidlo navrhla, že problémy s transportem cholesterolu v neuronech mohou přimět buňky, aby kompenzovaly tím, že budou produkovat více.
Tři zaslepení recenzenti udělili tomuto vedoucímu průměrné skóre priority následného sledování 4,3 z 5. Tomasz Nowakowski, docent neurologické chirurgie na UC San Francisco, který nebyl autorem předtisku, v oznámení OpenAI uvedl, že zjištění ukazuje, proč na propojení pozorování napříč obory záleží: „Někdy jsou vodítka již k dispozici, nejsou roztroušena v různých oblastech – prostě jsme je nepropojili.“
Sliby a upozornění
Oznámení přichází v době rychlého rozmachu úsilí OpenAI v oblasti biologických věd. GPT-Rosalind, představený na začátku tohoto roku, je model specializovaný na výzkum biologických věd, který kombinuje biologické uvažování s používáním vědeckých nástrojů s dokumentovanými aplikacemi zahrnujícími genomiku, analýzu proteinů, cílový výzkum, lékařskou chemii a plánování experimentů. Společnost také zavedla Rosalind Workbench pro vědecké pracovní postupy a plugin Life Sciences Research v Codexu a v červnu představila LifeSciBench, hodnocení, které společnost říká, že měří pomoc při výzkumu spíše než dokazuje, že systém může nezávisle ověřovat objevy nebo nahradit experimentální ověřování – rozdíl, který se přenáší do současného oznámení.
Důležitá upozornění zůstávají. Srovnání 32 minut versus rok je ilustrativní odhad založený na předpokladech – 15 minut na narušení genu a 10 minut na přečtení článku – spíše než naměřený ekvivalent. Práce je důkazem konceptu: umělá inteligence vynořila hypotézy, aby je lidé otestovali, nikoli ověřené objevy a žádná z vodítek nebyla experimentálně potvrzena. Srovnání rychlosti s lidskými analytiky rovněž spočívá na ilustrativních časových předpokladech týmu spíše než na přímé zkoušce a experti hodnotili zprávy agentů spíše než aby s nimi závodili proti lidskému výzkumnému týmu. Nezávislá replikace srovnání ve stylu benchmarku dosud neproběhla.
Přesto demonstrace načrtává věrohodný budoucí pracovní postup pro biologii: veřejné datové soubory donekonečna znovu těžené rojem specializovaných agentů, přičemž lidští vědci tráví čas testováním a zdokonalováním toho, co stroje mají nejvyšší. Zda se tyto žebříčky v laboratoři trvale udrží, určí, zda se distribuované uvažování umělé inteligence stane standardním vybavením biologických věd.
Poznámka ke zdroji: Podrobnosti v tomto článku jsou čerpány z oznámení OpenAI z 21. října 2026 a pokrytí R&D World, včetně podkladového předtisku bioRxiv (Sun et al., 2026).---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
