OpenAI tillkännagav den 21 oktober att 1 946 av dess GPT-Rosalind-medel, som körs parallellt, analyserade befintliga data från miljontals mushjärnceller på 32 minuter - arbete som teamet uppskattar skulle ta en mänsklig forskargrupp månader till ett år att slutföra genom manuell analys och litteraturgranskning.
Demonstrationen, som genomfördes med läkemedelsupptäcktsföretaget PerturbAI och Scripps Research, beskrivs i ett bioRxiv-förtryck och tillämpar vad teamet kallar "distribuerat biologiskt resonemang" på en CRISPR-atlas för hela hjärnan - en datauppsättning som katalogiserar hur störande individuella gener förändrar genuttryck över hjärnceller. For more context on this story, see our ongoing more AI stories.
Hur distribuerat biologiskt resonemang fungerar
CRISPR-störningsexperiment låter forskare stänga av gener och mäta de resulterande cellförändringarna, men de kan generera fler observationer än något enskilt labb kan undersöka på djupet. Den flaskhalsen är just därför som forskare delar cellatlaser offentligt. PerturbAI, läkemedelsupptäcktsföretaget som var med och utvecklade metoden, och Scripps Research tillhandahöll den vetenskapliga inramningen och domängranskningen för samarbetet.
Programvaran som beskrivs i förtrycket tilldelar varje genavbrott till en oberoende AI-agent. Varje agent undersöker de cellulära förändringarna som är associerade med den tilldelade genen, söker i den vetenskapliga litteraturen och föreslår förklaringar till vad den hittar. Ett koordinationslager kombinerar sedan agenternas rapporter, identifierar kopplingar över hela datasetet och rangordnar de mest lovande idéerna för mänsklig uppföljning.
"Vi bygger cellatlaser så att andra forskare kan göra upptäckter som vi inte har föreställt oss ännu", säger Sarah Teichmann, ordförande i stamcellsmedicin vid University of Cambridge och grundande medordförande för Human Cell Atlas, i OpenAI:s tillkännagivande. "AI skulle kunna hjälpa fler forskare att utforska dessa resurser och förvandla oväntade observationer till nya frågor att testa."
The Numbers: 711 Times the References, 48 av 55 fynd återvunna
Skalskillnaden mellan en agent och nästan 2 000 är stor. I en jämförelse med samma modell, prompt, verktyg och dataåtkomst uppgick körningar av en agent i genomsnitt till cirka 11 litteraturreferenser vid den största arbetsbelastningen, medan det distribuerade systemet behöll 7 586 referenser – ungefär 711 gånger så många, enligt projektets offentliga data.
Agenterna höll också bra emot den ursprungliga vetenskapen. Genom att arbeta utan tillgång till atlasstudiens manuskript matchade eller förfinade de 48 av den ursprungliga studiens 55 resultat som kunde hämtas från de data som agenterna fick.
För att bedöma kvaliteten rekryterade teamet 30 biologer på doktorsnivå för en blind granskning. Deras bedömningar stödde i hög grad agenternas rankning av de mest lovande forskningsledarna.
DCTN1 Kolesterol Lead
Ett fynd illustrerar vilken typ av hypotes systemet är avsett att uppstå. Att störa DCTN1 - en gen kopplad till neurodegeneration - ökade aktiviteten hos gener involverade i kolesterolproduktionen. Baslinjen med en enda agent föreslog att problem med att transportera kolesterol inom neuroner kan få cellerna att kompensera genom att producera mer.
Tre förblindade granskare gav den ledningen ett genomsnittligt uppföljningsprioritetspoäng på 4,3 av 5. Tomasz Nowakowski, en docent i neurologisk kirurgi vid UC San Francisco som inte var författare till preprinten, sa i OpenAI:s tillkännagivande att fyndet visar varför det är viktigt att länka observationer mellan olika discipliner: "Ibland har olika fält ledtrådar bara anslutit till dem.
Löfte och varningar
Tillkännagivandet kommer mitt i ett snabbt momentum i OpenAI:s biovetenskapliga push. GPT-Rosalind, som introducerades tidigare i år, är en modell specialiserad för biovetenskaplig forskning som kombinerar biologiskt resonemang med vetenskapligt verktygsanvändning, med dokumenterade tillämpningar som spänner över genomik, proteinanalys, målforskning, medicinsk kemi och experimentplanering. Företaget har också rullat ut en Rosalind Workbench för vetenskapliga arbetsflöden och ett Life Sciences Research-plugin i Codex, och i juni introducerade det LifeSciBench, en utvärdering som företaget säger mäter forskningshjälp snarare än att bevisa att ett system självständigt kan validera upptäckter eller ersätta experimentell verifiering – en distinktion som bär över till det aktuella tillkännagivandet.
Viktiga varningar kvarstår. Jämförelsen på 32 minuter mot ett år är en illustrativ uppskattning byggd från antaganden - 15 minuter per genavbrott och 10 minuter per läsning av papper - snarare än en uppmätt motsvarighet. Arbetet är ett bevis på konceptet: AI:n dök upp hypoteser för människor att testa, inte validerade upptäckter, och ingen av ledtrådarna har experimentellt bekräftats. Hastighetsjämförelsen med mänskliga analytiker vilar likaledes på teamets illustrativa tidsantaganden snarare än en direkt rättegång, och expertgranskarna betygsatte agenternas rapporter snarare än att tävla dem mot ett mänskligt forskarlag. Oberoende replikering av jämförelser av benchmark-stil har ännu inte skett.
Ändå skisserar demonstrationen ett rimligt framtida arbetsflöde för biologi: offentliga datauppsättningar som oändligt återvinns av svärmar av specialiserade agenter, med mänskliga forskare som spenderar sin tid på att testa och förfina vad maskinerna rankas högst. Huruvida dessa rankningar konsekvent håller i sig i labbet kommer att avgöra om distribuerade AI-resonemang blir standardutrustning inom biovetenskap.
Källanteckning: Detaljerna i den här artikeln är hämtade från OpenAIs tillkännagivande den 21 oktober 2026 och täckning av R&D World, inklusive det underliggande bioRxiv-förtrycket (Sun et al., 2026).---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
