AnswersPublished18 sources
AI-agenter fandt forskningsspor i musehjerne-data på 32 minutter
OpenAI, PerturbAI og Scripps Research siger, at tusindvis af GPT Rosalind agenter fortolkede eksisterende data fra musehjerner på 32 minutter og fandt forskningsspor, ikke bekræftede sygdomsmekanismer. Agenterne koblede effekter af genforstyrrelser med videnskabelige artikler i et såkaldt ræsonnementskort.
Udgivet afRedigeret med GPT-6 LunaBilleder genereret med GPT Image 2
Research answer
Key takeaways
- OpenAI, PerturbAI og Scripps Research siger, at tusindvis af GPT Rosalind agenter fortolkede eksisterende data fra musehjerner på 32 minutter og fandt forskningsspor, ikke bekræftede sygdomsmekanismer.
- Agenterne koblede effekter af genforstyrrelser med videnskabelige artikler i et såkaldt ræsonnementskort.
- Fund om Tsc1, Tsc2 og Dctn1 peger på mulige forsøg. Sammenligningen med menneskers arbejdstid var et estimat, ikke et direkte forsøg med et forskerhold.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How did OpenAI, PerturbAI and Scripps Research use nearly 2,000 parallel GPT-Rosalind agents and “distributed biological reasoning” to analy. Article summary: The October 21 announcement described a fast, parallel interpretation of existing mouse-brain experiments—not the creation of the experimental atlas or proof of new disease mechanisms—in which GPT-Rosalind agents connect. Topic tags: general, general web, user generated, government, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, wate
OpenAI, PerturbAI og Scripps Research siger, at de brugte tusindvis af GPT-Rosalind-agenter til at fortolke eksisterende musehjerneforsøg på 32 minutter. Agenterne koblede effekter af genforstyrrelser med videnskabelig litteratur og samlede mulige forklaringer i et såkaldt ræsonnementskort. Kortet kan give forskere nye spor at følge, men er ikke i sig selv bevis for nye sygdomsmekanismer.5
Sådan blev arbejdet fordelt
I stedet for at lade ét system gennemgå hele datasættet trin for trin delte samarbejdspartnerne analysen mellem mange agenter. De undersøgte cellers reaktioner på genforstyrrelser, søgte i forskningslitteraturen og sammenholdt observationer med mulige biologiske forklaringer. Til sidst blev rapporterne samlet i et større kort over gener, cellereaktioner, publikationer og hypoteser.5
11
Det eksperimentelle atlas fandtes allerede. AI-analysen fortolkede dataene; den skabte hverken forsøgene eller datasættet.5 Nogle omtaler datasættet som et atlas med otte millioner celler, mens samarbejdspartnernes egen meddelelse beskriver data fra millioner af musehjerneceller.
5
6
Tidsbesparelsen skal dog sættes i perspektiv. Skønnet på måneder til et år for menneskelig analyse byggede på antagelser om, hvor lang tid det ville tage at gennemgå genforstyrrelser og forskningsartikler. Det var ikke resultatet af en direkte, tidsmålt sammenligning med et menneskeligt forskerhold.9 De 32 minutter beskriver altså den rapporterede AI-proces; det længere tidsrum er et estimat for tilsvarende arbejde udført sekventielt – ikke dokumentation for, at agenterne erstattede et helt forskerholds arbejde.
Hvad sammenligningen med én agent viser
En rapport oplyser, at den distribuerede analyse henviste til over 700 kilder mod 11 i en analyse med én agent. I en blindet vurdering foretrak specialister forklaringerne fra systemet med flere agenter i 75 procent af tilfældene.6 En anden omtale beskriver også de 75 procent som et resultat af en blindet præferencevurdering.
39
Tallene kan tyde på, at tilgangen hjælper med at dække mere af litteraturen og levere forklaringer, som eksperter finder mere brugbare. Men det er ikke nøjagtighedsmål: At en forklaring foretrækkes, viser ikke, at den foreslåede mekanisme er rigtig. Hypoteserne skal stadig afprøves eksperimentelt.
To hypoteser, agenterne pegede på
Tsc2 og Tsc1 i lillehjernen
OpenAI oplyste, at forstyrrelse af Tsc2 ændrede udtrykket af adskillige gener i en gruppe neuroner i lillehjernen, herunder gener med betydning for kommunikationen mellem nerveceller. Forstyrrelse af Tsc1 havde kun lille effekt på genudtrykket i den samme celletype. De to gener samarbejder om at regulere mTOR, og OpenAI beskrev forskellen som et muligt spor til, hvorfor TSC2-mutationer ofte forbindes med mere alvorlig tuberøs sklerose end TSC1-mutationer.14
Det er en mulig forklaring, ikke en fastslået årsag til forskellen i sygdommens sværhedsgrad. Fundet rejser blandt andet spørgsmålet om, hvorvidt eksisterende behandlinger, der retter sig mod mTOR, kan vende de rapporterede ændringer i neuronerne.14
Dctn1 og kolesterolrelaterede gener
I musehjerne-dataene øgede forstyrrelse af Dctn1 aktiviteten i gener, der medvirker til at danne kolesterol. DCTN1 er forbundet med Perry-syndrom, en sjælden neurodegenerativ sygdom. OpenAI foreslog derfor at undersøge, om transporten af kolesterol i neuroner kan spille en rolle – og om en genopretning af den kan beskytte nerveceller.15
Her er det vigtigt at skelne mellem observation og forklaring: Øget aktivitet i gener for kolesterolproduktion viser ikke i sig selv, at transporten af kolesterol er forstyrret, eller at en behandling rettet mod transporten vil virke. Mekanismen er stadig et spørgsmål, der skal undersøges.15
Hvad resultaterne viser – og ikke viser
Projektet demonstrerer en metode til at sammenholde forsøgsresultater med litteratursøgninger i stor skala og foreslå forklaringer, som forskere kan undersøge.5 Men hverken antallet af kilder eller eksperters præferencer kan erstatte eksperimentel validering. De sygdomsrelaterede sammenhænge bør derfor læses som hypoteser, ikke som bekræftede mekanismer eller færdige mål for behandling.
Projektet blev omtalt som et fortryk, altså en forskningsartikel, der er delt før den almindelige fagfællebedømmelse. Læserne bør derfor skelne mellem samarbejdspartnernes meddelelse og evaluering på den ene side og uafhængig bekræftelse af de biologiske fund på den anden.9 De tilgængelige oplysninger fastslår heller ikke de tilsvarende forfatteres konkrete økonomiske eller faglige interesser; man bør hverken antage, at sådanne interesser findes, eller at de ikke gør.
Hvorfor metoden kan få betydning for lægemiddelforskning
PerturbAI og OpenAI beskriver projektet som en del af et årslangt samarbejde om biomedicinsk forskning og udvikling af lægemidler.31 Den praktiske ambition er at hjælpe forskere med at forbinde biologiske data om årsag og virkning med eksisterende viden – og dermed prioritere spørgsmål, der kan testes. Resultaterne er et tidligt eksempel på arbejdsgangen, ikke bevis for, at systemet allerede har fundet validerede lægemiddelmål.
31
39
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "AI-agenter fandt forskningsspor i musehjerne-data på 32 minutter"?
OpenAI, PerturbAI og Scripps Research siger, at tusindvis af GPT Rosalind agenter fortolkede eksisterende data fra musehjerner på 32 minutter og fandt forskningsspor, ikke bekræftede sygdomsmekanismer.
What are the key points to validate first?
OpenAI, PerturbAI og Scripps Research siger, at tusindvis af GPT Rosalind agenter fortolkede eksisterende data fra musehjerner på 32 minutter og fandt forskningsspor, ikke bekræftede sygdomsmekanismer. Agenterne koblede effekter af genforstyrrelser med videnskabelige artikler i et såkaldt ræsonnementskort.
What should I do next in practice?
Fund om Tsc1, Tsc2 og Dctn1 peger på mulige forsøg. Sammenligningen med menneskers arbejdstid var et estimat, ikke et direkte forsøg med et forskerhold.
Sources
openai.comUsing thousands of AI agents to uncover new leads in biological data
unite.aiOpenAI Unveils Mouse Brain Reasoning Atlas From GPT-Rosalind Agents
aiweekly.coOpenAI, PerturbAI and Scripps Run ~2,000 GPT-Rosalind Agents on 8M-Cell Brain CRISPR Atlas in 32 Min | AI Weekly
rdworldonline.comOpenAI runs 1,946 GPT-Rosalind agents on a mouse brain atlas