AnswersPublished18 sources
Nesten 2 000 AI-agenter analyserte musehjerne-data på 32 minutter
OpenAI, PerturbAI og Scripps Research sier at tusenvis av GPT Rosalind agenter analyserte eksisterende data fra musehjerner på 32 minutter og pekte ut mulige forskningsspor. Agentene koblet genforstyrrelser og celleforandringer til vitenskapelig litteratur i et «resonneringsatlas».
Publisert avRedigert med GPT-6 LunaBilder generert med GPT Image 2
Research answer
Key takeaways
- OpenAI, PerturbAI og Scripps Research sier at tusenvis av GPT Rosalind agenter analyserte eksisterende data fra musehjerner på 32 minutter og pekte ut mulige forskningsspor.
- Agentene koblet genforstyrrelser og celleforandringer til vitenskapelig litteratur i et «resonneringsatlas».
- Funn om Tsc1/Tsc2 og Dctn1 kan danne grunnlag for nye forsøk. Sammenligningen med måneder til et år for menneskelig arbeid var et estimat, ikke en direkte test mot et forskerteam.
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 sier at de brukte tusenvis av GPT-Rosalind-agenter til å tolke eksisterende forsøk på musehjerner på 32 minutter. Agentene koblet effekter av genforstyrrelser til vitenskapelig litteratur og samlet mulige forklaringer i et «resonneringsatlas». Det er en samling forskningsspor – ikke bevis for nye sykdomsmekanismer.5
Slik fordelte agentene arbeidet
I stedet for å la ett system gå gjennom hele datasettet steg for steg, delte samarbeidspartnerne analysen mellom mange agenter. De undersøkte hvordan celler reagerte på genforstyrrelser, søkte i forskningslitteratur og satte observasjonene i sammenheng med mulige biologiske forklaringer. Rapportene ble deretter samlet i et større kart over gener, celleresponser, publikasjoner og hypoteser.5
11
Datasettet var allerede laget: AI-systemene tolket eksisterende forsøksdata, men utførte ikke forsøkene eller skapte selve datasettet.5 Noen omtaler det som et atlas med åtte millioner celler, mens samarbeidspartnernes egen kunngjøring beskriver data fra millioner av musehjerneceller.
5
6
Tidsbesparelsen må også settes i sammenheng. Anslaget på måneder til et år for menneskelig analyse bygde på antatt tid til å vurdere genforstyrrelser og lese forskningsartikler. Det var ikke en direkte, tidsmålt sammenligning med et menneskelig forskerteam.9 De 32 minuttene beskriver altså den rapporterte AI-arbeidsflyten, mens det lengre tidsrommet er et estimat for tilsvarende arbeid utført sekvensielt.
Hva sammenligningen med én agent viser
Ifølge én omtale viste den distribuerte analysen til over 700 referanser, mot 11 for en analyse med én agent. I en blindet vurdering foretrakk spesialister forklaringene fra fleragentsystemet i 75 prosent av tilfellene.6 En annen omtale beskriver også 75-prosenttallet som eksperters preferanse i en blindet sammenligning.
39
Resultatene kan tyde på at flere agenter gir bredere litteraturdekning og forklaringer eksperter oppfatter som mer nyttige. Men de er ikke et mål på treffsikkerhet: At eksperter foretrekker en forklaring, beviser ikke at den foreslåtte mekanismen stemmer. Hypotesene må undersøkes i nye forsøk.
To hypoteser agentene trakk fram
Tsc2 og Tsc1 i lillehjernen
OpenAI rapporterte at forstyrrelse av Tsc2 endret uttrykket til flere titalls gener i en gruppe nerveceller i lillehjernen, blant annet gener som har med kommunikasjon mellom nerveceller å gjøre. Forstyrrelse av Tsc1 hadde liten effekt på genuttrykket i den samme celletypegruppen. De to genene samarbeider om å regulere mTOR, og OpenAI presenterte forskjellen som et mulig spor til hvorfor TSC2-mutasjoner ofte gir mer alvorlig tuberøs sklerose enn TSC1-mutasjoner.14
Dette er en mulig forklaring, ikke en etablert årsak til forskjellen i sykdomsgrad. Funnene reiser spørsmål for videre forskning, blant annet om eksisterende behandlinger rettet mot mTOR kan reversere endringene som ble rapportert i disse nervecellene.14
Dctn1 og gener knyttet til kolesterol
I musehjerne-dataene førte forstyrrelse av Dctn1 til økt uttrykk av gener som er involvert i produksjonen av kolesterol. Siden DCTN1 er knyttet til Perry syndrom, en sjelden nevrodegenerativ sykdom, foreslo OpenAI at forskere undersøker om transporten av kolesterol inne i nerveceller kan være involvert – og om det å gjenopprette transporten kan beskytte nervecellene.15
Det er viktig å skille mellom observasjon og forklaring: Økt aktivitet i gener for kolesterolproduksjon viser ikke i seg selv at kolesteroltransporten er svekket, eller at en behandling som retter seg mot transporten vil virke. Mekanismen er fortsatt et spørsmål som må testes.15
Hva resultatene forteller – og ikke forteller
Prosjektet viser én måte å kombinere forsøksresultater med litteratursøk i stor skala, slik at forskere får mulige forklaringer de kan undersøke videre.5 Men verken antall referanser eller eksperters preferanser kan erstatte eksperimentell testing. Koblingene til sykdom bør derfor leses som hypoteser, ikke som bekreftede mekanismer eller ferdige mål for behandling.
Arbeidet ble omtalt som en forhåndspublisering, eller preprint, i dekningen av prosjektet.9 Det er derfor viktig å skille mellom samarbeidspartnernes kunngjøring og evaluering på den ene siden, og uavhengig bekreftelse av de biologiske funnene på den andre. Tilgjengelig dokumentasjon fastslår heller ikke de aktuelle forfatternes konkrete økonomiske eller faglige interesser; slike interesser bør verken legges til grunn eller avvises uten dokumentasjon.
Mulig betydning for legemiddelforskning
PerturbAI og OpenAI beskrev prosjektet som del av et ettårig samarbeid om biomedisinsk forskning og legemiddelutvikling.31 Den praktiske ambisjonen er å hjelpe forskere med å koble årsaksdata fra biologi til eksisterende kunnskap og prioritere spørsmål som kan testes. Funnene viser et tidlig eksempel på denne arbeidsmåten – ikke at systemet allerede har identifisert validerte legemiddelmål.
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 "Nesten 2 000 AI-agenter analyserte musehjerne-data på 32 minutter"?
OpenAI, PerturbAI og Scripps Research sier at tusenvis av GPT Rosalind agenter analyserte eksisterende data fra musehjerner på 32 minutter og pekte ut mulige forskningsspor.
What are the key points to validate first?
OpenAI, PerturbAI og Scripps Research sier at tusenvis av GPT Rosalind agenter analyserte eksisterende data fra musehjerner på 32 minutter og pekte ut mulige forskningsspor. Agentene koblet genforstyrrelser og celleforandringer til vitenskapelig litteratur i et «resonneringsatlas».
What should I do next in practice?
Funn om Tsc1/Tsc2 og Dctn1 kan danne grunnlag for nye forsøk. Sammenligningen med måneder til et år for menneskelig arbeid var et estimat, ikke en direkte test mot et forskerteam.
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