OpenAI در 21 اکتبر اعلام کرد که 1946 عامل GPT-Rosalind خود، که به طور موازی کار می کنند، داده های موجود از میلیون ها سلول مغز موش را در 32 دقیقه تجزیه و تحلیل کردند - کاری که تیم تخمین می زند برای یک گروه تحقیقاتی انسانی ماه ها تا یک سال طول می کشد تا از طریق تجزیه و تحلیل دستی و بررسی ادبیات تکمیل شود.

این نمایش که با شرکت کشف دارو PerturbAI و Scripps Research انجام شد، در یک پیش‌چاپ bioRxiv توضیح داده شد و آنچه را تیم «استدلال زیست‌شناختی توزیع‌شده» می‌نامد در یک اطلس CRISPR کل مغز - مجموعه‌ای از مجموعه داده‌ای که چگونه اختلال ژن‌های فردی باعث تغییر بیان ژن در سلول‌های مغز می‌شود، اعمال می‌کند. For more context on this story, see our ongoing more AI stories.

چگونه استدلال بیولوژیکی توزیع شده کار می کند

آزمایش‌های اغتشاش CRISPR به محققان اجازه می‌دهد ژن‌ها را خاموش کنند و تغییرات سلولی حاصل را اندازه‌گیری کنند، اما می‌توانند مشاهدات بیشتری نسبت به آنچه که هر آزمایشگاهی می‌تواند عمیقاً بررسی کند، ایجاد کند. این تنگنا دقیقاً به همین دلیل است که محققان اطلس های سلولی را به صورت عمومی به اشتراک می گذارند. PerturbAI، شرکت کشف دارو که این رویکرد را توسعه داد، و Scripps Research چارچوب علمی و بررسی دامنه را برای این همکاری ارائه کردند.

نرم افزاری که در پیش چاپ توضیح داده شده است، هر اختلال ژن را به یک عامل هوش مصنوعی مستقل اختصاص می دهد. هر عامل تغییرات سلولی مرتبط با ژن اختصاص داده شده خود را بررسی می کند، متون علمی را جستجو می کند و توضیحاتی را برای آنچه می یابد ارائه می دهد. سپس یک لایه هماهنگی گزارش‌های عوامل را ترکیب می‌کند، اتصالات را در کل مجموعه داده شناسایی می‌کند، و امیدوارکننده‌ترین ایده‌ها را برای پیگیری انسانی رتبه‌بندی می‌کند.

سارا تیچمن، رئیس پزشکی سلول های بنیادی در دانشگاه کمبریج و بنیانگذار اطلس سلول های انسانی، در اعلامیه OpenAI گفت: «ما اطلس های سلولی می سازیم تا دانشمندان دیگر بتوانند اکتشافاتی را انجام دهند که هنوز تصورش را هم نمی کردیم». هوش مصنوعی می‌تواند به محققان بیشتری در کشف این منابع کمک کند و مشاهدات غیرمنتظره را به سؤالات جدیدی برای آزمایش تبدیل کنند.»

اعداد: 711 برابر مراجع، 48 از 55 یافته بازیابی شد

تفاوت مقیاس بین یک عامل و نزدیک به 2000 فاحش است. در مقایسه با استفاده از همان مدل، سریع، ابزارها و دسترسی به داده، اجراهای تک عاملی به طور متوسط ​​حدود 11 مرجع ادبیات را در بیشترین حجم کاری داشتند، در حالی که سیستم توزیع شده 7586 مرجع را حفظ کرد - تقریباً 711 برابر، طبق داده های عمومی پروژه.

عوامل نیز در برابر علم اصلی به خوبی ایستادگی کردند. آنها بدون دسترسی به دست‌نوشته مطالعه اطلس، 48 مورد از 55 یافته مطالعه اصلی را که می‌توانستند از داده‌هایی که عوامل دریافت می‌کردند استخراج کنند، مطابقت یا اصلاح کردند.

برای ارزیابی کیفیت، این تیم 30 زیست شناس در سطح دکترا را برای بررسی کورکورانه استخدام کرد. ارزیابی‌های آن‌ها به طور گسترده از رتبه‌بندی عوامل امیدوارکننده‌ترین سرنخ‌های تحقیقاتی پشتیبانی می‌کرد.

سرب کلسترول DCTN1

یکی از یافته‌ها نوع فرضیه‌ای را نشان می‌دهد که سیستم قرار است ظاهر شود. اختلال در DCTN1 - یک ژن مرتبط با تخریب عصبی - باعث افزایش فعالیت ژن های دخیل در تولید کلسترول شد. خط پایه تک عاملی پیشنهاد کرد که مشکلات انتقال کلسترول در سلول‌های عصبی ممکن است سلول‌ها را وادار کند تا با تولید بیشتر آن را جبران کنند.

سه بازبین نابینا به سرنخ میانگین امتیاز اولویت پیگیری 4.3 از 5 را دادند. توماس نواکوفسکی، دانشیار جراحی مغز و اعصاب در دانشگاه کالیفرنیا سانفرانسیسکو که نویسنده پیش‌چاپ نبود، در اعلامیه OpenAI گفت که این یافته نشان می‌دهد که چرا پیوند مشاهدات در رشته‌ها اهمیت دارد: "گاهی اوقات ما سرنخ‌های مختلف در این زمینه به هم مرتبط هستند. آنها."

وعده و اخطار

این اعلامیه در بحبوحه حرکت سریع در فشار علوم زیستی OpenAI به دست می آید. GPT-Rosalind که در اوایل سال جاری معرفی شد، مدلی تخصصی برای تحقیقات علوم زیستی است که استدلال بیولوژیکی را با استفاده از ابزار علمی، با کاربردهای مستند شامل ژنومیک، تجزیه و تحلیل پروتئین، تحقیقات هدف، شیمی دارویی و برنامه‌ریزی آزمایش ترکیب می‌کند. این شرکت همچنین یک میز کار Rosalind برای گردش‌های کاری علمی و یک پلاگین تحقیقات علوم زیستی در Codex راه‌اندازی کرده است، و در ژوئن LifeSciBench را معرفی کرد، ارزیابی‌ای که شرکت می‌گوید به جای اثبات اینکه یک سیستم می‌تواند به‌طور مستقل اکتشافات را تأیید کند یا تأیید آزمایشی را جایگزین کند، کمک‌های تحقیقاتی را اندازه‌گیری می‌کند - تمایزی که به اطلاعیه فعلی منتقل می‌شود.

هشدارهای مهم باقی مانده است. مقایسه 32 دقیقه در مقابل یک سال یک تخمین گویا است که بر اساس فرضیات - 15 دقیقه در هر اختلال ژن و 10 دقیقه در هر مقاله خوانده شده - به جای یک معادل اندازه گیری شده، ساخته شده است. این کار اثباتی بر این مفهوم است: هوش مصنوعی فرضیه هایی را برای آزمایش انسان ها ارائه کرد، نه اکتشافات معتبر، و هیچ یک از سرنخ ها به طور تجربی تأیید نشده اند. مقایسه سرعت با تحلیلگران انسانی نیز به جای آزمایش سر به سر، بر مفروضات زمانی گویای تیم استوار است و بازبینان متخصص گزارش‌های عوامل را به جای رقابت با یک تیم تحقیقاتی انسانی درجه‌بندی کردند. تکرار مستقل مقایسه‌های سبک معیار هنوز رخ نداده است.

با این حال، این نمایش یک گردش کار قابل قبول در آینده را برای زیست شناسی ترسیم می کند: مجموعه داده های عمومی به طور بی پایان توسط انبوهی از عوامل تخصصی بازیابی می شوند، با دانشمندان انسانی که وقت خود را صرف آزمایش و اصلاح بالاترین رتبه ماشین ها می کنند. اینکه آیا این رتبه‌بندی‌ها به طور مداوم در آزمایشگاه حفظ می‌شوند یا خیر، تعیین می‌کند که آیا استدلال هوش مصنوعی توزیع‌شده به تجهیزات استاندارد در علوم زیستی تبدیل می‌شود یا خیر.

یادداشت منبع: جزئیات این مقاله از اعلان OpenAI در 21 اکتبر 2026 و پوشش R&D World، از جمله پیش چاپ اولیه bioRxiv (Sun et al., 2026) گرفته شده است.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →