AI-agenter kraschar mot biologins grundforskning: Därför är databaserna den verkliga flaskhalsen

Designad för människan, katastrofal för agenten

NCBI Virus och många andra offentliga biologiska databaser byggdes för interaktiva, webbläsarbaserade arbetsflöden. Forskare klickar sig igenom filter, inspekterar resultat manuellt och förlitar sig på visuella ledtrådar. Denna gränssnittslogik är oförenlig med autonoma agenter som förväntar sig strukturerade, programmerbara kommandon .

Radikalt icke-deterministiska resultat

Det mest fördömande fyndet var inkonsekvensen. När forskarna bad Claude Sonnet 4 tre gånger om att hämta Ebola-sekvenser mot en verifierad referensdatamängd på 266 poster, returnerade modellen 106 vid första försöket, 15 vid andra och endast 5 vid tredje. Inga instruktioner ändrades – bara resultatet .

Det handlar inte bara om att missa några poster. I en simulering förvrängde en felaktig hämtning en fylogenetisk analys så allvarligt att den uppskattade ursprunget för ett ebolautbrott till 1922 istället för det korrekta året 2014. AI:n hade inte hallucinerat fram vetenskapen – den hade matats med en trasig datamängd och byggde plikttroget en falsk slutsats ovanpå den .

Bräcklig, fragmenterad infrastruktur

Biologisk data är utspridd över dussintals databaser med inkompatibla identitetsbeteckningar, olika metadatastandarder och utan versionshanterade API:er. Mjukvaruingenjörer förlitar sig på pakethanterare och versionskontroll; beräkningsbiologer tvingas ofta skriva skript mot inkonsekventa webbgränssnitt som ändras utan förvarning .

Den deterministiska lösningen: gget virus

Istället för att träna en bättre modell byggde teamet ett bättre hämtningslager. gget virus är ett lättviktigt, deterministiskt ramverk som formaliserar filtreringslogiken från NCBI Virus till ett reproducerbart, programmeringsbart system .

Det fungerar genom att applicera metadatabegränsningar innan sekvenser laddas ner, selektivt hämta endast de strukturerade GenBank-poster som matchar, och minska dataöverföringen med över 98 % för högvolymsfrågor samtidigt som exakta matchningar bevaras. Resultatet är samma datamängd varje gång – en egenskap som AI-agenter desperat behöver men som den gamla infrastrukturen inte kunde leverera .

Effekten var omedelbar och dramatisk. När autonoma AI-system använde gget virus som backend för hämtning:

• Steg träffsäkerheten till minst 90,0 % för alla testade modeller, där GPT-5.5 nådde 99,7 %.
• Stabilitetsmåtten steg till 0,92–1,00 över hela linjen.
• Felmagnituden, särskilt den katastrofala sorten som förskjuter vetenskapliga slutsatser, kollapsade .

Slutsatsen är entydig: den bindande begränsningen för AI-driven biologi är inte modellernas slutledningsförmåga – det är deterministisk dataåtkomst. Lägg till rätt hämtningslager, så kan dagens agenter redan utföra tillförlitligt arbete .

Omforma biologins datainfrastruktur för agenternas tidevarv

Framgången med gget virus är ett proof of concept för ett mycket större skifte. Forskarna hävdar att detta mönster inte är begränsat till virologi – enbart NCBI har över 30 databaser som skulle gynnas av liknande deterministiska omtag .

Från människo-orienterad till agent-anpassad design

Biologiska databaser måste utvecklas för att exponera väldokumenterade, versionshanterade API:er med standardiserad filtrering och reproducerbar frågesemantik. Detta är ekvivalenten till vad mjukvaruutvecklare får från pakethanterare och versionskontrollsystem – kritisk infrastruktur som biologisk vetenskap för närvarande saknar .

Kraftsamlingen för federerad, AI-skalbar data

I en parallell insats publicerade Chan Zuckerberg Initiative en färdplan som efterlyser interoperabla, poolade biologiska datamängder som kan nås via kommandoradsgränssnitt och maskinläsbara standarder. Deras vision: en värld där forskare kan söka, analysera och ladda ner multi-modala data i en enda federerad fråga, vilket möjliggör AI-skaliga upptäckter utan dagens hämtningskaos .

CZI agerar redan på detta, utvecklar ett CLI för federerad dataåtkomst och bygger Billion Cells Project, en milstolpe-datamängd med encellsdata avsedd att träna nästa generations AI-modeller. Målet är en grundläggande infrastruktur som gör biologisk data lika tillgänglig för maskiner som kodarkiv är för utvecklare .

Lärdomen är inte begränsad till biologi

Kärninsikten – att föråldrade, människo-först-gränssnitt knäcker AI-agenter – generaliserar över hela beräkningsvetenskapen. Deterministiska, programmerbara åtkomstlager är inte en lyx; de är en förutsättning för att låta autonoma system delta pålitligt i forskningen. Lösningen är inte att vänta på en smartare modell. Det är att rusta upp vägarna.