AnswersPublished18 sources
Nästan 2 000 AI-agenter hittade forskningsspår i data från mushjärnor
OpenAI, PerturbAI och Scripps Research uppger att tusentals GPT Rosalind agenter tolkade befintliga data från mushjärnor på 32 minuter. Agenterna kopplade effekter av genstörningar till vetenskapliga artiklar i en gemensam resonemangskarta.
Publicerad avRedigerad med GPT-6 LunaBilder genererade med GPT Image 2
Research answer
Key takeaways
- OpenAI, PerturbAI och Scripps Research uppger att tusentals GPT Rosalind agenter tolkade befintliga data från mushjärnor på 32 minuter.
- Agenterna kopplade effekter av genstörningar till vetenskapliga artiklar i en gemensam resonemangskarta.
- Resultat om Tsc1, Tsc2 och Dctn1 kan ge uppslag till nya experiment. Jämförelsen med hur lång tid mänsklig analys skulle ta var en uppskattning, inte ett direkt jämförande test.
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 och Scripps Research uppger att de använde tusentals GPT-Rosalind-agenter för att tolka befintliga experimentdata från miljontals mushjärnceller på 32 minuter. Agenterna kopplade effekter av genstörningar till vetenskaplig litteratur och samlade möjliga förklaringar i en så kallad resonemangskarta – ett underlag för nya forskningsfrågor, inte ett bevis för nya sjukdomsmekanismer.5
Så fungerade analysen
I stället för att låta ett enda system gå igenom hela materialet steg för steg delade samarbetspartnerna upp arbetet mellan många agenter. De undersökte hur celler reagerade på genstörningar, sökte i vetenskapliga artiklar och kopplade observationerna till möjliga biologiska förklaringar. Rapporterna sammanställdes sedan till en bredare karta över gener, cellreaktioner, publikationer och hypoteser.5
11
Det experimentella materialet fanns redan. AI-analysen tolkade alltså data – den skapade varken experimenten eller själva datamängden.5 Vissa rapporter beskriver materialet som en atlas med åtta miljoner celler, medan samarbetspartnernas eget besked talar om data från miljontals mushjärnceller.
5
6
Tidsjämförelsen behöver också sättas i perspektiv. Uppskattningen att motsvarande arbete skulle ta människor månader till ett år byggde på antaganden om tiden för att granska genstörningar och läsa artiklar. Det var inte resultatet av ett tidtaget test där en mänsklig forskargrupp jämfördes direkt med AI-agenterna.9 De 32 minuterna gäller alltså det rapporterade AI-arbetsflödet; den längre tiden är en uppskattning av jämförbart arbete i följd, inte ett belägg för att agenterna ersatte en forskargrupps hela arbetsprocess.
Vad jämförelsen med en ensam agent visar
En rapport uppger att den distribuerade analysen hänvisade till över 700 referenser, jämfört med 11 i en analys med en enda agent. I en blind jämförelse föredrog specialister förklaringarna från systemet med flera agenter i 75 procent av fallen.6 En annan rapport beskriver också siffran 75 procent som resultatet av en blind preferensbedömning.
39
Det kan tyda på att arbetssättet ger bredare litteraturtäckning och förklaringar som experter tycker är mer användbara. Men siffrorna är inte mått på träffsäkerhet: att föredra en förklaring visar inte att den föreslagna mekanismen stämmer. Hypoteserna behöver prövas experimentellt.
Två hypoteser som agenterna lyfte fram
Tsc2 och Tsc1 i lillhjärnans nervceller
OpenAI rapporterade att en störning av Tsc2 förändrade uttrycket hos dussintals gener i en grupp nervceller i lillhjärnan, bland annat gener med betydelse för nervcellernas kommunikation. En störning av Tsc1 hade liten effekt på genuttrycket i samma celltyp. Generna samverkar i regleringen av mTOR, och OpenAI presenterade skillnaden som en möjlig ledtråd till varför mutationer i TSC2 tenderar att orsaka svårare tuberös skleros än mutationer i TSC1.14
Det är en föreslagen förklaring, inte en fastställd orsak till skillnaden i sjukdomsgrad. Resultatet väcker frågor för fortsatt forskning, till exempel om befintliga behandlingar som riktar in sig på mTOR kan motverka de rapporterade förändringarna i nervcellerna.14
Dctn1 och kolesterolrelaterade gener
I mushjärnedata ökade uttrycket av gener som medverkar i kolesterolbildning när Dctn1 stördes. Eftersom DCTN1 är kopplat till Perrys syndrom, en sällsynt neurodegenerativ sjukdom, föreslog OpenAI att forskare undersöker om kolesteroltransporten i nervceller kan vara inblandad – och om det skulle kunna skydda nervceller att återställa den.15
Men ett ökat uttryck av gener för kolesterolproduktion visar inte i sig att kolesteroltransporten är störd, eller att en behandling riktad mot transporten skulle fungera. Mekanismen är fortfarande en fråga att testa.15
Vad resultaten säger – och inte säger
Projektet visar ett sätt att i stor skala kombinera experimentresultat med litteratursökningar och ta fram möjliga förklaringar som forskare kan undersöka vidare.5 Men varken antalet citerade artiklar eller experters preferenser kan ersätta experimentell validering. Kopplingarna till sjukdom bör därför läsas som hypoteser, inte som bekräftade mekanismer eller färdiga behandlingsmål.
I rapporteringen beskrevs arbetet som ett förhandsutskrivet forskningsmanus, en så kallad preprint.9 Därför är det viktigt att skilja samarbetspartnernas egna besked och den rapporterade utvärderingen från oberoende bekräftelse av de biologiska resultaten. Det tillgängliga underlaget fastställer inte heller vilka specifika ekonomiska eller yrkesmässiga intressen de ansvariga författarna har; sådana intressen bör varken förutsättas eller avfärdas.
Varför arbetssättet kan vara intressant för läkemedelsforskning
PerturbAI och OpenAI beskriver projektet som en del av ett årslångt samarbete med fokus på biomedicinsk forskning och läkemedelsutveckling.31 Den möjliga nyttan är att hjälpa forskare att koppla biologiska experimentdata till befintlig kunskap och prioritera frågor som går att testa. Resultaten är en tidig illustration av arbetsflödet – inte ett belägg för att systemet redan har identifierat validerade läkemedelsmål.
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 "Nästan 2 000 AI-agenter hittade forskningsspår i data från mushjärnor"?
OpenAI, PerturbAI och Scripps Research uppger att tusentals GPT Rosalind agenter tolkade befintliga data från mushjärnor på 32 minuter.
What are the key points to validate first?
OpenAI, PerturbAI och Scripps Research uppger att tusentals GPT Rosalind agenter tolkade befintliga data från mushjärnor på 32 minuter. Agenterna kopplade effekter av genstörningar till vetenskapliga artiklar i en gemensam resonemangskarta.
What should I do next in practice?
Resultat om Tsc1, Tsc2 och Dctn1 kan ge uppslag till nya experiment. Jämförelsen med hur lång tid mänsklig analys skulle ta var en uppskattning, inte ett direkt jämförande test.
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