Laura Luebbert a její kolegové problém přiblížili silnou analogií: použití AI agenta pro navigaci v biologických datech je jako řídit moderní auto středověkým městem. Auto je technicky vyspělé, ale silnice pro něj nikdy nebyly navrženy .

Spolupráce testovala několik předních AI systémů – Claude, modely založené na GPT, Biomni Open Source a Edison Analysis – na zdánlivě jednoduchém úkolu: získat sekvenční data virů z databáze NCBI Virus, což je klíčový zdroj pro virology sledující ohniska nákaz a vyvíjející diagnostiku . Výsledky byly alarmující.

Design pro lidi, výkon pro agenty až na posledním místě

Databáze NCBI Virus a mnoho dalších veřejných biologických databází byly postaveny pro interaktivní pracovní postupy v prohlížeči. Vědci klikají na filtry, ručně kontrolují výsledky a spoléhají na vizuální podněty. Tato logika rozhraní je nekompatibilní s autonomními agenty, kteří očekávají strukturované, programovatelné příkazy .

Radikálně nedeterministické výsledky

Nejvíce odsuzujícím zjištěním byla nekonzistence. Když výzkumníci třikrát požádali model Claude Sonnet 4, aby získal sekvence viru Ebola oproti ověřené základní pravdě 266 záznamů, při prvním pokusu jich vrátil 106, při druhém 15 a při třetím jen 5. Žádné prompty se nezměnily – pouze výstup .

Tady nejde jen o chybějící záznamy. V jedné simulaci chybné vyhledávání zkreslilo fylogenetickou analýzu natolik, že odhadla původ ohniska Eboly na rok 1922 namísto správného data 2014. AI si vědu nevyhalucinovala – byl jí podstrčen nekompletní dataset a ona na něm svědomitě postavila falešný závěr .

Křehká, fragmentovaná infrastruktura

Biologická data jsou roztroušena v desítkách databází s nekompatibilními identifikátory, různými standardy metadat a bez verzovaných API. Softwaroví inženýři spoléhají na správce balíčků a verzované koncové body; výpočetní biologové jsou často nuceni skriptovat proti nekonzistentním webovým rozhraním, která se mění bez ohlášení .

Deterministické řešení: gget virus

Namísto trénování lepšího modelu tým postavil lepší vyhledávací vrstvu. gget virus je odlehčený, deterministický framework, který formalizuje logiku filtrování NCBI Virus do reprodukovatelného programového systému .

Funguje tak, že před stažením sekvencí aplikuje omezení metadat, selektivně získává pouze ty strukturované záznamy GenBank, které odpovídají kritériím, a snižuje objem přenesených dat o více než 98 % u velkoobjemových dotazů, přičemž zachovává sémantiku přesné shody. Výsledkem je pokaždé stejný dataset – vlastnost, kterou AI agenti zoufale potřebují, ale stará infrastruktura ji nemohla poskytnout .

Dopad byl okamžitý a dramatický. Když autonomní AI systémy používaly gget virus jako svůj backend pro vyhledávání:

• Přesnost vyskočila na nejméně 90,0 % pro všechny testované modely, přičemž GPT-5.5 dosáhl 99,7 %.
• Metriky stability vzrostly napříč spektrem na 0,92–1,00.
• Míra chyb, zejména těch katastrofických, které mění vědecké závěry, se dramaticky snížila .

Poselství je jednoznačné: omezujícím faktorem pro biologii poháněnou AI není uvažování modelů – je to deterministický přístup k datům. Přidejte správnou vyhledávací vrstvu a dnešní agenti již mohou odvádět spolehlivou práci .

Přehodnocení biologické datové infrastruktury pro éru agentů

Úspěch nástroje gget virus je důkazem konceptu pro mnohem větší posun. Výzkumníci tvrdí, že tento vzorec se neomezuje pouze na virologii – jen NCBI hostí přes 30 databází, které by měly prospěch z podobných deterministických obalů .

Od designu pro lidi k designu nativnímu pro agenty

Biologické databáze se musí vyvinout tak, aby vystavovaly dobře zdokumentovaná, verzovaná API se standardizovaným filtrováním a reprodukovatelnou sémantikou dotazů. To je ekvivalent toho, co vývojáři softwaru získávají od správců balíčků a systémů pro správu verzí – kritická infrastruktura, která biologické vědě v současnosti chybí .

Tlak na federovaná data v měřítku AI

V paralelní snaze zveřejnila Chan Zuckerberg Initiative plán, který požaduje interoperabilní, sdružené biologické datasety, jež lze dotazovat prostřednictvím rozhraní příkazového řádku a strojově čitelných standardů. Jejich vize: svět, kde vědci mohou vyhledávat, analyzovat a stahovat multimodální data v jediném federovaném dotazu, což umožní objevy v měřítku AI bez současného chaosu při vyhledávání .

CZI již v tomto směru jedná, vyvíjí CLI pro federovaný přístup k datům a buduje Projekt miliardy buněk (Billion Cells Project), přelomový dataset jednotlivých buněk určený k trénování modelů AI nové generace. Cílem je základní infrastruktura, která učiní biologická data pro stroje stejně přístupná, jako jsou repozitáře kódu pro vývojáře .

Poučení se neomezuje jen na biologii

Základní poznatek – že starší rozhraní navržená pro lidi narušují AI agenty – se zobecňuje napříč vědeckými výpočty. Deterministické, programovatelné přístupové vrstvy nejsou luxus; jsou nezbytným předpokladem pro to, aby se autonomní systémy mohly spolehlivě účastnit výzkumu. Řešením není čekat na chytřejší model. Je jím modernizace silnic.

Laura Luebbert a její kolegové problém přiblížili silnou analogií: použití AI agenta pro navigaci v biologických datech je jako řídit moderní auto středověkým městem. Auto je technicky vyspělé, ale silnice pro něj nikdy nebyly navrženy .

Spolupráce testovala několik předních AI systémů – Claude, modely založené na GPT, Biomni Open Source a Edison Analysis – na zdánlivě jednoduchém úkolu: získat sekvenční data virů z databáze NCBI Virus, což je klíčový zdroj pro virology sledující ohniska nákaz a vyvíjející diagnostiku . Výsledky byly alarmující.

Design pro lidi, výkon pro agenty až na posledním místě

Databáze NCBI Virus a mnoho dalších veřejných biologických databází byly postaveny pro interaktivní pracovní postupy v prohlížeči. Vědci klikají na filtry, ručně kontrolují výsledky a spoléhají na vizuální podněty. Tato logika rozhraní je nekompatibilní s autonomními agenty, kteří očekávají strukturované, programovatelné příkazy .

Radikálně nedeterministické výsledky

Nejvíce odsuzujícím zjištěním byla nekonzistence. Když výzkumníci třikrát požádali model Claude Sonnet 4, aby získal sekvence viru Ebola oproti ověřené základní pravdě 266 záznamů, při prvním pokusu jich vrátil 106, při druhém 15 a při třetím jen 5. Žádné prompty se nezměnily – pouze výstup .

Tady nejde jen o chybějící záznamy. V jedné simulaci chybné vyhledávání zkreslilo fylogenetickou analýzu natolik, že odhadla původ ohniska Eboly na rok 1922 namísto správného data 2014. AI si vědu nevyhalucinovala – byl jí podstrčen nekompletní dataset a ona na něm svědomitě postavila falešný závěr .

Křehká, fragmentovaná infrastruktura

Biologická data jsou roztroušena v desítkách databází s nekompatibilními identifikátory, různými standardy metadat a bez verzovaných API. Softwaroví inženýři spoléhají na správce balíčků a verzované koncové body; výpočetní biologové jsou často nuceni skriptovat proti nekonzistentním webovým rozhraním, která se mění bez ohlášení .

Deterministické řešení: gget virus

Namísto trénování lepšího modelu tým postavil lepší vyhledávací vrstvu. gget virus je odlehčený, deterministický framework, který formalizuje logiku filtrování NCBI Virus do reprodukovatelného programového systému .

Funguje tak, že před stažením sekvencí aplikuje omezení metadat, selektivně získává pouze ty strukturované záznamy GenBank, které odpovídají kritériím, a snižuje objem přenesených dat o více než 98 % u velkoobjemových dotazů, přičemž zachovává sémantiku přesné shody. Výsledkem je pokaždé stejný dataset – vlastnost, kterou AI agenti zoufale potřebují, ale stará infrastruktura ji nemohla poskytnout .

Dopad byl okamžitý a dramatický. Když autonomní AI systémy používaly gget virus jako svůj backend pro vyhledávání:

• Přesnost vyskočila na nejméně 90,0 % pro všechny testované modely, přičemž GPT-5.5 dosáhl 99,7 %.
• Metriky stability vzrostly napříč spektrem na 0,92–1,00.
• Míra chyb, zejména těch katastrofických, které mění vědecké závěry, se dramaticky snížila .

Poselství je jednoznačné: omezujícím faktorem pro biologii poháněnou AI není uvažování modelů – je to deterministický přístup k datům. Přidejte správnou vyhledávací vrstvu a dnešní agenti již mohou odvádět spolehlivou práci .

Přehodnocení biologické datové infrastruktury pro éru agentů

Úspěch nástroje gget virus je důkazem konceptu pro mnohem větší posun. Výzkumníci tvrdí, že tento vzorec se neomezuje pouze na virologii – jen NCBI hostí přes 30 databází, které by měly prospěch z podobných deterministických obalů .

Od designu pro lidi k designu nativnímu pro agenty

Biologické databáze se musí vyvinout tak, aby vystavovaly dobře zdokumentovaná, verzovaná API se standardizovaným filtrováním a reprodukovatelnou sémantikou dotazů. To je ekvivalent toho, co vývojáři softwaru získávají od správců balíčků a systémů pro správu verzí – kritická infrastruktura, která biologické vědě v současnosti chybí .

Tlak na federovaná data v měřítku AI

V paralelní snaze zveřejnila Chan Zuckerberg Initiative plán, který požaduje interoperabilní, sdružené biologické datasety, jež lze dotazovat prostřednictvím rozhraní příkazového řádku a strojově čitelných standardů. Jejich vize: svět, kde vědci mohou vyhledávat, analyzovat a stahovat multimodální data v jediném federovaném dotazu, což umožní objevy v měřítku AI bez současného chaosu při vyhledávání .

CZI již v tomto směru jedná, vyvíjí CLI pro federovaný přístup k datům a buduje Projekt miliardy buněk (Billion Cells Project), přelomový dataset jednotlivých buněk určený k trénování modelů AI nové generace. Cílem je základní infrastruktura, která učiní biologická data pro stroje stejně přístupná, jako jsou repozitáře kódu pro vývojáře .

Poučení se neomezuje jen na biologii

Základní poznatek – že starší rozhraní navržená pro lidi narušují AI agenty – se zobecňuje napříč vědeckými výpočty. Deterministické, programovatelné přístupové vrstvy nejsou luxus; jsou nezbytným předpokladem pro to, aby se autonomní systémy mohly spolehlivě účastnit výzkumu. Řešením není čekat na chytřejší model. Je jím modernizace silnic.