RespuestasPublicado18 fuentes
Qué encontraron casi 2.000 agentes de GPT-Rosalind al analizar datos cerebrales en 32 minutos
OpenAI, PerturbAI y Scripps Research afirman que miles de agentes GPT Rosalind interpretaron en 32 minutos datos ya existentes de millones de células cerebrales de ratón. Los agentes relacionaron alteraciones genéticas con estudios científicos y reunieron sus conclusiones en un «atlas de razonamiento»: una fuente de...
Publicado porEditado con GPT-6 LunaImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- OpenAI, PerturbAI y Scripps Research afirman que miles de agentes GPT Rosalind interpretaron en 32 minutos datos ya existentes de millones de células cerebrales de ratón.
- Los agentes relacionaron alteraciones genéticas con estudios científicos y reunieron sus conclusiones en un «atlas de razonamiento»: una fuente de pistas, no una confirmación experimental.
- Los resultados sobre Tsc1, Tsc2 y Dctn1 sugieren preguntas para futuras investigaciones; la comparación de meses a un año de trabajo humano fue una estimación, no una prueba directa.
Prompt de IA
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 y Scripps Research afirman que utilizaron miles de agentes GPT-Rosalind para interpretar datos existentes de experimentos con cerebros de ratón en 32 minutos. Los agentes relacionaron los efectos de alterar genes con la literatura científica y reunieron posibles explicaciones en un «atlas de razonamiento»: un conjunto de pistas para orientar investigaciones, no una demostración de nuevos mecanismos de enfermedad.5
Cómo se repartió el análisis
En vez de encargarle a un solo sistema revisar todos los datos de principio a fin, el equipo distribuyó el trabajo entre numerosos agentes. Estos analizaron respuestas celulares a alteraciones genéticas, buscaron publicaciones científicas y conectaron observaciones con posibles explicaciones biológicas. Después, sus informes se combinaron en un mapa que relaciona genes, respuestas celulares, estudios y hipótesis.5
11
El atlas experimental ya existía: la IA interpretó los datos, pero no realizó los experimentos ni creó ese conjunto de datos.5 Algunas coberturas describen el atlas como un recurso de ocho millones de células; el anuncio de los colaboradores se refiere a datos de millones de células cerebrales de ratón.
5
6
También hay que poner en contexto la comparación de velocidad. La estimación de que un análisis humano equivalente tomaría de meses a un año se basó en supuestos sobre el tiempo necesario para revisar alteraciones genéticas y artículos científicos. No fue una comparación cronometrada frente a un equipo humano.9 Así que los 32 minutos corresponden al flujo de trabajo de IA descrito; el plazo mayor es un cálculo de cuánto podría tomar un trabajo comparable hecho de forma secuencial, no una prueba de que los agentes sustituyan todo el proceso de investigación.
Qué aporta compararlos con un solo agente
Según una de las coberturas, el análisis distribuido citó más de 700 referencias, frente a 11 en un análisis realizado por un solo agente. En una evaluación a ciegas, especialistas prefirieron las explicaciones del sistema multiagente el 75 % de las veces.6 Otra cobertura también describe ese 75 % como una preferencia en una comparación a ciegas.
39
Estos resultados apuntan a una posible ventaja para abarcar más literatura y generar explicaciones que los especialistas consideren más útiles. Pero no son una medida de exactitud: preferir una explicación no demuestra que el mecanismo que propone sea correcto. Para eso, las hipótesis tienen que ponerse a prueba en experimentos.
Dos hipótesis que surgieron del análisis
Tsc2 y Tsc1 en neuronas del cerebelo
OpenAI informó que alterar Tsc2 cambió la expresión de decenas de genes en un grupo de neuronas del cerebelo, incluidos genes relacionados con la comunicación neuronal. En el mismo tipo de células, alterar Tsc1 tuvo poco efecto en la expresión génica. Ambos genes participan en la regulación de mTOR, y OpenAI planteó que esta diferencia podría dar pistas sobre por qué las mutaciones de TSC2 suelen causar formas más graves de esclerosis tuberosa que las de TSC1.14
Se trata de una posible explicación, no de una respuesta establecida sobre la gravedad de la enfermedad. El hallazgo abre preguntas para futuras investigaciones, por ejemplo, si los tratamientos existentes dirigidos a mTOR revierten los cambios observados en esas neuronas.14
Dctn1 y los genes relacionados con el colesterol
En los datos cerebrales de ratón, alterar Dctn1 elevó la expresión de genes que participan en la producción de colesterol. Dado que DCTN1 está vinculado al síndrome de Perry, un trastorno neurodegenerativo poco frecuente, OpenAI propuso estudiar si el transporte de colesterol dentro de las neuronas podría estar implicado y si restaurarlo ayudaría a protegerlas.15
La distinción es importante: que aumente la actividad de genes relacionados con la producción de colesterol no demuestra por sí solo que su transporte esté alterado, ni que un tratamiento dirigido a ese transporte vaya a funcionar. La hipótesis todavía debe comprobarse.15
Qué muestran los resultados y qué no
El proyecto presenta una forma de combinar resultados experimentales con búsquedas en literatura científica a gran escala y generar explicaciones candidatas para que los investigadores las examinen.5 Sin embargo, el número de citas y las preferencias de especialistas no sustituyen la validación experimental. Las conexiones con enfermedades descritas aquí deben entenderse como hipótesis, no como mecanismos confirmados ni como objetivos terapéuticos listos para usarse.
La cobertura del proyecto lo describió como un preprint, es decir, una versión de un estudio difundida antes de completar la revisión por pares.9 Por eso conviene distinguir entre el anuncio de los colaboradores y la evaluación que reportan, por un lado, y una confirmación independiente de los hallazgos biológicos, por otro. La información disponible tampoco permite establecer cuáles son los intereses financieros o profesionales específicos de los autores de correspondencia; no corresponde darlos por sentados en ningún sentido.
Por qué puede importar para el desarrollo de fármacos
PerturbAI y OpenAI presentaron el proyecto como parte de una colaboración de un año centrada en la investigación biomédica y el descubrimiento de fármacos.31 La promesa práctica es ayudar a conectar datos biológicos causales con conocimientos existentes y priorizar preguntas que puedan ponerse a prueba. Los resultados divulgados son una primera muestra de ese método, no evidencia de que el sistema ya haya identificado objetivos terapéuticos validados.
31
39
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "Qué encontraron casi 2.000 agentes de GPT-Rosalind al analizar datos cerebrales en 32 minutos"?
OpenAI, PerturbAI y Scripps Research afirman que miles de agentes GPT Rosalind interpretaron en 32 minutos datos ya existentes de millones de células cerebrales de ratón.
¿Cuáles son los puntos clave a validar primero?
OpenAI, PerturbAI y Scripps Research afirman que miles de agentes GPT Rosalind interpretaron en 32 minutos datos ya existentes de millones de células cerebrales de ratón. Los agentes relacionaron alteraciones genéticas con estudios científicos y reunieron sus conclusiones en un «atlas de razonamiento»: una fuente de pistas, no una confirmación experimental.
¿Qué debo hacer a continuación en la práctica?
Los resultados sobre Tsc1, Tsc2 y Dctn1 sugieren preguntas para futuras investigaciones; la comparación de meses a un año de trabajo humano fue una estimación, no una prueba directa.
Fuentes
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