AnswersPublished18 sources
Niemal 2 tys. agentów AI przeanalizowało dane z mózgu myszy w 32 minuty. Co z tego wynika?
OpenAI, PerturbAI i Scripps Research informują, że tysiące agentów GPT Rosalind zinterpretowały istniejące dane z mózgów myszy w 32 minuty, wskazując tropy badawcze, a nie potwierdzone mechanizmy chorób. Agenci zestawiali skutki zaburzeń genów z publikacjami naukowymi i złożyli wyniki w tzw.
Opublikowane przezEdytowane za pomocą GPT-6 LunaObrazy wygenerowane za pomocą GPT Image 2
Research answer
Key takeaways
- OpenAI, PerturbAI i Scripps Research informują, że tysiące agentów GPT Rosalind zinterpretowały istniejące dane z mózgów myszy w 32 minuty, wskazując tropy badawcze, a nie potwierdzone mechanizmy chorób.
- Agenci zestawiali skutki zaburzeń genów z publikacjami naukowymi i złożyli wyniki w tzw.
- Wyniki dotyczące genów Tsc1, Tsc2 i Dctn1 mogą podsunąć pomysły na eksperymenty.
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 i Scripps Research podają, że wykorzystały tysiące agentów GPT-Rosalind do interpretacji istniejących eksperymentów na mózgach myszy. W 32 minuty agenci połączyli skutki zaburzeń genów z literaturą naukową i zebrali możliwe wyjaśnienia w „atlasie rozumowania” — zestawie tropów dla badaczy, a nie dowodzie na odkrycie nowych mechanizmów chorób.5
Jak działało rozproszone analizowanie danych biologicznych
Zamiast zlecać jednemu systemowi analizę całego zbioru po kolei, współpracujące zespoły podzieliły pracę między wiele agentów. Analizowały one reakcje komórek na zaburzenia genów, wyszukiwały publikacje naukowe i łączyły obserwacje z możliwymi wyjaśnieniami biologicznymi. Następnie zebrano ich raporty w szerszą mapę genów, reakcji komórkowych, publikacji i hipotez.5
11
Podstawowy atlas eksperymentalny istniał już wcześniej: AI interpretowała dane, a nie przeprowadzała eksperymenty ani nie tworzyła samego zbioru.5 Część relacji opisuje go jako atlas obejmujący 8 mln komórek, natomiast komunikat współpracujących zespołów mówi o danych pochodzących z milionów komórek mózgu myszy.
5
6
Porównanie czasu wymaga zastrzeżenia. Szacunek, że analiza wykonana przez ludzi zajęłaby od kilku miesięcy do roku, oparto na założonym czasie potrzebnym na przegląd zaburzeń genów i publikacji. Nie był to wynik bezpośredniego, mierzonego porównania z ludzkim zespołem badawczym.9 32 minuty to zatem deklarowany czas pracy systemu, a dłuższy okres — szacunek dotyczący porównywalnej pracy prowadzonej kolejno, nie dowód, że agenci zastąpili pełny proces badawczy.
Co mówi porównanie z jednym agentem
Według jednej z relacji analiza rozproszona przywołała ponad 700 źródeł, a analiza pojedynczego agenta — 11. W zaślepionej ocenie specjaliści w 75% przypadków woleli wyjaśnienia przygotowane przez system wieloagentowy.6 Inna relacja również opisuje 75-procentowy wynik jako preferencję w zaślepionym porównaniu.
39
Wyniki sugerują, że podejście wieloagentowe może pomóc objąć analizą szerszą literaturę i przygotować wyjaśnienia, które eksperci uznają za bardziej użyteczne. Nie są to jednak wyniki pomiaru trafności: preferencja dla danego wyjaśnienia nie dowodzi, że proponowany mechanizm jest prawdziwy. Hipotezy trzeba sprawdzić eksperymentalnie.
Dwie hipotezy wskazane przez agentów
Tsc2 i Tsc1 w neuronach móżdżku
OpenAI podało, że zaburzenie genu Tsc2 zmieniło ekspresję kilkudziesięciu genów w jednej grupie neuronów móżdżku, w tym genów związanych z komunikacją między neuronami. Zaburzenie Tsc1 miało niewielki wpływ na ekspresję genów w tym samym typie komórek. Oba geny współdziałają w regulacji szlaku mTOR, a OpenAI przedstawiło tę różnicę jako możliwy trop wyjaśniający, dlaczego mutacje TSC2 mają tendencję do powodowania cięższej postaci stwardnienia guzowatego niż mutacje TSC1.14
To propozycja wyjaśnienia, a nie ustalona przyczyna różnic w nasileniu choroby. Wynik rodzi pytania do dalszych badań, między innymi o to, czy istniejące terapie ukierunkowane na mTOR odwracają zaobserwowane zmiany w tych neuronach.14
Dctn1 i geny związane z cholesterolem
W danych z mózgu myszy zaburzenie Dctn1 zwiększyło ekspresję genów biorących udział w wytwarzaniu cholesterolu. Ponieważ DCTN1 jest powiązany z zespołem Perry’ego, rzadką chorobą neurodegeneracyjną, OpenAI zaproponowało zbadanie, czy w grę może wchodzić transport cholesterolu w neuronach — i czy jego przywrócenie mogłoby chronić neurony.15
Ważne jest rozróżnienie: zwiększona aktywność genów związanych z produkcją cholesterolu sama w sobie nie dowodzi, że jego transport jest zaburzony ani że terapia ukierunkowana na transport byłaby skuteczna. Proponowany mechanizm pozostaje hipotezą do sprawdzenia.15
Co wyniki pokazują — a czego nie
Projekt pokazuje sposób na łączenie wyników eksperymentów z przeszukiwaniem literatury na dużą skalę oraz generowanie możliwych wyjaśnień do dalszego zbadania przez naukowców.5 Liczba cytowań i preferencje ekspertów nie zastępują jednak walidacji eksperymentalnej. Związki z chorobami wskazane w analizie należy więc traktować jako hipotezy, a nie potwierdzone mechanizmy czy gotowe cele terapeutyczne.
W relacjach o projekcie prace opisywano jako preprint, dlatego warto odróżniać komunikat współpracujących zespołów i przedstawioną przez nie ocenę od niezależnego potwierdzenia wyników biologicznych.9 Dostępne informacje nie pozwalają też ustalić konkretnych interesów finansowych ani zawodowych autorów korespondencyjnych — nie należy ich ani zakładać, ani wykluczać.
Dlaczego to podejście może być ważne dla odkrywania leków
PerturbAI i OpenAI opisały projekt jako część trwającej rok współpracy skupionej na badaniach biomedycznych i odkrywaniu leków.31 Praktyczna obietnica tej metody polega na tym, że może pomóc badaczom łączyć dane o przyczynowych skutkach zaburzeń biologicznych z dotychczasową wiedzą i wybierać pytania do sprawdzenia. Opisane wyniki są wczesną ilustracją takiego sposobu pracy — nie dowodem, że system wskazał już zweryfikowane cele dla nowych leków.
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 "Niemal 2 tys. agentów AI przeanalizowało dane z mózgu myszy w 32 minuty. Co z tego wynika?"?
OpenAI, PerturbAI i Scripps Research informują, że tysiące agentów GPT Rosalind zinterpretowały istniejące dane z mózgów myszy w 32 minuty, wskazując tropy badawcze, a nie potwierdzone mechanizmy chorób.
What are the key points to validate first?
OpenAI, PerturbAI i Scripps Research informują, że tysiące agentów GPT Rosalind zinterpretowały istniejące dane z mózgów myszy w 32 minuty, wskazując tropy badawcze, a nie potwierdzone mechanizmy chorób. Agenci zestawiali skutki zaburzeń genów z publikacjami naukowymi i złożyli wyniki w tzw.
What should I do next in practice?
Wyniki dotyczące genów Tsc1, Tsc2 i Dctn1 mogą podsunąć pomysły na eksperymenty.
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