OpenAI maakte op 21 oktober bekend dat 1.946 van zijn GPT-Rosalind-agenten, parallel lopend, bestaande gegevens van miljoenen hersencellen van muizen in 32 minuten analyseerden – werk dat volgens het team een menselijke onderzoeksgroep maanden tot een jaar zou kosten om te voltooien door middel van handmatige analyse en literatuuronderzoek.
De demonstratie, uitgevoerd in samenwerking met het geneesmiddelenonderzoeksbedrijf PerturbAI en Scripps Research, wordt beschreven in een bioRxiv-voordruk en past wat het team 'gedistribueerde biologische redenering' noemt toe op een CRISPR-atlas van het hele brein - een dataset die catalogiseert hoe het verstoren van individuele genen de genexpressie in hersencellen verandert. Voor meer context over dit verhaal, zie ons AI-trends.
Hoe gedistribueerd biologisch redeneren werkt
Met CRISPR-storingsexperimenten kunnen onderzoekers genen uitschakelen en de daaruit voortvloeiende cellulaire veranderingen meten, maar ze kunnen meer waarnemingen genereren dan welk laboratorium dan ook diepgaand kan onderzoeken. Dat knelpunt is precies de reden waarom onderzoekers celatlassen publiekelijk delen. PerturbAI, het medicijnontdekkingsbedrijf dat de aanpak mede heeft ontwikkeld, en Scripps Research leverden de wetenschappelijke omkadering en domeinbeoordeling voor de samenwerking.
De software die in de preprint wordt beschreven, wijst elke genverstoring toe aan een onafhankelijke AI-agent. Elke agent onderzoekt de cellulaire veranderingen die verband houden met het hem toegewezen gen, doorzoekt de wetenschappelijke literatuur en stelt verklaringen voor voor wat hij vindt. Een coördinatielaag combineert vervolgens de rapporten van de agenten, identificeert verbindingen binnen de volledige dataset en rangschikt de meest veelbelovende ideeën voor menselijke follow-up.
"We bouwen celatlassen zodat andere wetenschappers ontdekkingen kunnen doen die we ons nog niet hebben voorgesteld", zegt Sarah Teichmann, voorzitter van de stamcelgeneeskunde aan de Universiteit van Cambridge en medeoprichter van de Human Cell Atlas, in de aankondiging van OpenAI. "AI zou meer onderzoekers kunnen helpen deze bronnen te verkennen en onverwachte observaties om te zetten in nieuwe vragen om te testen."
De cijfers: 711 keer zoveel referenties, 48 van de 55 gevonden bevindingen
Het schaalverschil tussen één agent en bijna 2.000 is groot. Uit een vergelijking met hetzelfde model, dezelfde prompts, tools en gegevenstoegang bleek dat de single-agent runs gemiddeld ongeveer 11 literatuurreferenties hadden bij de grootste werklast, terwijl het gedistribueerde systeem 7.586 referenties behield – ongeveer 711 keer zoveel, volgens de openbare gegevens van het project.
De agenten hielden ook goed stand tegen de oorspronkelijke wetenschap. Omdat ze zonder toegang tot het manuscript van de atlasstudie werkten, matchten of verfijnden ze 48 van de 55 bevindingen van de oorspronkelijke studie die konden worden afgeleid uit de gegevens die de agenten ontvingen.
Om de kwaliteit te beoordelen, rekruteerde het team dertig biologen op doctoraal niveau voor een geblindeerde beoordeling. Hun beoordelingen ondersteunden in grote lijnen de ranglijst van de agenten van de meest veelbelovende onderzoeksleiders.
De DCTN1-cholesterolleider
Eén bevinding illustreert het soort hypothese dat het systeem naar boven moet halen. Het verstoren van DCTN1 – een gen dat verband houdt met neurodegeneratie – verhoogde de activiteit van genen die betrokken zijn bij de cholesterolproductie. De basislijn met één middel suggereerde dat problemen met het transport van cholesterol binnen neuronen de cellen ertoe zouden kunnen aanzetten om te compenseren door meer te produceren.
Drie geblindeerde recensenten gaven die voorsprong een gemiddelde prioriteitsscore voor vervolgonderzoek van 4,3 op 5. Tomasz Nowakowski, universitair hoofddocent neurologische chirurgie aan de UC San Francisco en geen auteur van de preprint, zei in de aankondiging van OpenAI dat de bevinding laat zien waarom het koppelen van observaties tussen disciplines belangrijk is: "Soms zijn de aanwijzingen al aanwezig, verspreid over verschillende velden - we hebben ze gewoon niet met elkaar verbonden."
Belofte en kanttekeningen
De aankondiging komt te midden van een snel momentum in de levenswetenschappen van OpenAI. GPT-Rosalind, dat eerder dit jaar werd geïntroduceerd, is een model dat gespecialiseerd is in biowetenschappelijk onderzoek en dat biologisch redeneren combineert met het gebruik van wetenschappelijke hulpmiddelen, met gedocumenteerde toepassingen die genomica, eiwitanalyse, doelonderzoek, medicinale chemie en experimentplanning omvatten. Het bedrijf heeft ook een Rosalind Workbench voor wetenschappelijke workflows en een Life Sciences Research-plug-in in Codex uitgerold, en in juni introduceerde het LifeSciBench, een evaluatie die volgens het bedrijf onderzoeksondersteuning meet in plaats van te bewijzen dat een systeem ontdekkingen onafhankelijk kan valideren of experimentele verificatie kan vervangen – een onderscheid dat ook in de huidige aankondiging wordt toegepast.
Er blijven belangrijke kanttekeningen. De vergelijking van 32 minuten versus een jaar is een illustratieve schatting die is opgebouwd uit aannames – 15 minuten per genverstoring en 10 minuten per gelezen artikel – in plaats van een gemeten equivalent. Het werk is een proof of concept: de AI heeft hypothesen aan het licht gebracht die mensen kunnen testen, geen gevalideerde ontdekkingen, en geen van de aanwijzingen is experimenteel bevestigd. De snelheidsvergelijking met menselijke analisten berust eveneens op de illustratieve tijdsaannames van het team in plaats van op een onderlinge proef, en de deskundige reviewers beoordeelden de rapporten van de agenten in plaats van ze tegen een menselijk onderzoeksteam te racen. Onafhankelijke replicatie van de vergelijkingen in benchmarkstijl heeft nog niet plaatsgevonden.
Toch schetst de demonstratie een plausibele toekomstige workflow voor de biologie: openbare datasets die eindeloos opnieuw worden gedolven door zwermen gespecialiseerde agenten, waarbij menselijke wetenschappers hun tijd besteden aan het testen en verfijnen van wat de machines het hoogst scoren. Of deze ranglijsten consistent stand houden in het laboratorium, zal bepalen of gedistribueerde AI-redenering standaardapparatuur wordt in de levenswetenschappen.
Bronnoot: Details in dit artikel zijn ontleend aan de aankondiging van OpenAI van 21 oktober 2026 en berichtgeving door R&D World, inclusief de onderliggende bioRxiv-voordruk (Sun et al., 2026).---
Blijf Voorop met AIHet laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.
Lees meer AI-nieuws →
