AI-agenter fejler i basal biologi: Datainfrastrukturen er problemet

Menneske-først design, agent-sidst ydelse

NCBI Virus og mange andre offentlige biologiske databaser blev bygget til interaktive, browserbaserede arbejdsgange. Forskere klikker gennem filtre, inspicerer resultater manuelt og stoler på visuelle cues. Denne grænsefladelogik er uforenelig med autonome agenter, der forventer strukturerede, programmerbare kommandoer .

Radikalt ikke-deterministiske resultater

Det mest fordømmende fund var inkonsistensen. Da forskerne bad Claude Sonnet 4 tre gange om at hente Ebolavirus-sekvenser mod en verificeret "ground truth" på 266, returnerede den 106 i første forsøg, 15 i andet og kun 5 i tredje. Ingen prompts blev ændret – kun outputtet gjorde .

Dette handler ikke kun om at mangle et par poster. I en simulation forvrængede en fejlbehæftet hentning en fylogenetisk analyse så alvorligt, at den estimerede oprindelsen af et Ebola-udbrud til 1922 i stedet for den korrekte dato i 2014. AI'en havde ikke hallucineret videnskaben – den var blevet fodret med et ødelagt datasæt og byggede pligtskyldigt en falsk konklusion oven på det .

Skrøbelig, fragmenteret infrastruktur

Biologiske data er spredt over snesevis af databaser med inkompatible identifikatorer, forskellige metadatastandarder og ingen versionskontrollerede API'er. Softwareingeniører stoler på pakkeadministratorer og versionerede endepunkter; computerbiologer er ofte tvunget til at scripte mod inkonsistente webgrænseflader, der ændrer sig uden varsel .

Den deterministiske løsning: gget virus

I stedet for at træne en bedre model, byggede holdet et bedre hentningslag. gget virus er en letvægts, deterministisk ramme, der formaliserer filtreringslogikken i NCBI Virus til et reproducerbart, programmerbart system .

Det fungerer ved at anvende metadatabegrænsninger før sekvensdownload, selektivt hente kun de strukturerede GenBank-poster, der matcher, og reducere dataoverførslen med over 98% for højvolumenforespørgsler, samtidig med at eksakt match-semantik bevares. Resultatet er det samme datasæt hver gang – en egenskab, som AI-agenter desperat har brug for, men som den gamle infrastruktur ikke kunne levere .

Effekten var øjeblikkelig og dramatisk. Da autonome AI-systemer brugte gget virus som deres hentningsbackend:

• Steg nøjagtigheden til mindst 90,0% for alle testede modeller, med GPT-5.5 på 99,7%.
• Stabilitetsmålinger steg til 0,92–1,00 over hele linjen.
• Fejlstørrelsen, især den katastrofale slags, der ændrer videnskabelige konklusioner, kollapsede .

Konklusionen er entydig: den bindende begrænsning for AI-drevet biologi er ikke modellens evne til at ræsonnere – det er deterministisk dataadgang. Tilføj det rigtige hentningslag, og nutidens agenter kan allerede udføre pålideligt arbejde .

Genovervej biologisk datainfrastruktur til agent-æraen

Succeshistorien med gget virus er et proof of concept for et meget større skifte. Forskerne argumenterer for, at dette mønster ikke er begrænset til virologi – NCBI alene hoster over 30 databaser, der ville drage fordel af lignende deterministiske "wrappers" .

Fra menneskeorienteret til agent-native design

Biologiske databaser må udvikle sig til at eksponere veldokumenterede, versionerede API'er med standardiseret filtrering og reproducerbar forespørgselssemantik. Dette svarer til, hvad softwareudviklere får fra pakkeadministratorer og versionskontrolsystemer – kritisk infrastruktur, som biologisk videnskab i øjeblikket mangler .

Fremstødet for fødererede data i AI-skala

I en parallel indsats offentliggjorde Chan Zuckerberg Initiative en køreplan, der opfordrer til interoperable, samlede biologiske datasæt, der kan forespørges via kommandolinjegrænseflader og maskinlæsbare standarder. Deres vision: en verden, hvor forskere kan søge, analysere og downloade multimodale data i en enkelt fødereret forespørgsel, hvilket muliggør AI-skala opdagelse uden det nuværende hentningskaos .

CZI handler allerede på dette og udvikler en CLI til fødereret dataadgang og bygger Billion Cells Project, et skelsættende enkeltcelle-datasæt beregnet til at træne næste generations AI-modeller. Målet er grundlæggende infrastruktur, der gør biologiske data lige så tilgængelige for maskiner, som kodearkiver er for udviklere .

Lektionen er ikke begrænset til biologi

Kerneindsigten – at forældede, menneske-først grænseflader ødelægger AI-agenter – er universel inden for videnskabelig databehandling. Deterministiske, programmerbare adgangslag er ikke en luksus; de er en forudsætning for at lade autonome systemer deltage pålideligt i forskning. Løsningen er ikke at vente på en smartere model. Det er at opgradere vejene.