Tysiąc dziewięćset agentów, 32 minuty i atlas mysiego mózgu. OpenAI pokazuje, jak skalować generowanie hipotez
OpenAI pochwaliło się wynikiem, który ma pokazać, do czego nadają się agenci w badaniach biologicznych. Wspólnie z PerturbAI i Scripps Research firma uruchomiła tysiące agentów opartych na modelu GPT-Rosalind i oddała im do analizy atlas CRISPR obejmujący cały mysi mózg. Według The Decoder, powołującego się na OpenAI, całość zajęła 32 minuty. Zespół szacuje, że człowiek potrzebowałby na to od kilku miesięcy do roku.
Jeden agent, jedna perturbacja
Atlas pokazuje, jak zmiany w genach wpływają na różne typy komórek w mózgu myszy. Podział pracy był prosty: każdy agent dostał jedną perturbację genu, analizował reakcję komórek, a potem przeszukiwał literaturę naukową w poszukiwaniu wyjaśnień. Według R&D World pracowało równolegle 1946 agentów. TokenPost pisze o perturbacjach 1947 genów powiązanych z chorobami, więc drobna rozbieżność w liczbach pojawia się już w doniesieniach wtórnych. Skala jest jednak ta sama: niemal dwa tysiące genów, każdy z osobnym „analitykiem”.
Dane są duże. Materiały branżowe wskazują na ok. 7,7 mln komórek i ok. 205 GB, z profilowaniem pojedynczych jąder dla 19 070 mRNA i 8 588 sgRNA. Te liczby pochodzą z opracowań wtórnych, a nie z samego komunikatu, który przytacza The Decoder.
Co znaleźli agenci
Wśród wyników OpenAI wymienia nieoczekiwane różnice między dwoma genami powiązanymi z chorobami oraz możliwy związek między regulacją cholesterolu a neurodegeneracją. Ten drugi wątek firma wyciągnęła w poście na X: GPT-Rosalind miał wskazać trop, czy przywrócenie transportu cholesterolu mogłoby chronić neurony przed degeneracją. Według OpenAI dałoby to naukowcom konkretny mechanizm do przetestowania i, jeśli się potwierdzi, kierunek dla nowych terapii chorób neurodegeneracyjnych.
Warto zwrócić uwagę na sformułowania. To „trop” i „hipoteza”, a nie wynik walidowany eksperymentalnie. OpenAI samo mówi, że zebrane tropy mają pomóc badaczom zdecydować, które mechanizmy testować w laboratorium w pierwszej kolejności. To przyspieszenie etapu generowania hipotez na istniejących danych, a nie odkrycie leku.
Rój kontra pojedynczy agent
Najciekawsza w całym materiale jest chyba nie sama prędkość, lecz porównanie architektur. W ślepych testach eksperci wybierali raporty rozproszonych agentów częściej niż raporty pojedynczego agenta, w 75 proc. przypadków. Sugeruje to, że rozbicie problemu na setki wąskich zadań daje lepsze rezultaty niż jeden model próbujący ogarnąć cały zbiór. Nie wiadomo na podstawie dostępnych materiałów, jak dokładnie wyglądały te oceny ani ilu ekspertów w nich uczestniczyło, więc wynik trzeba traktować jako deklarację OpenAI.
Dostępność wyników
Powstały „Reasoning Atlas” jest dostępny na GitHubie, a towarzyszący mu artykuł trafił na bioRxiv. Według źródeł wtórnych preprint nosi tytuł „Distributed AI agents enable comprehensive discovery of biological insights at scale”. Pełny opis firma zamieściła we wpisie na blogu OpenAI. Ponieważ to preprint, nie przeszedł jeszcze recenzji, a jakość tropów rozstrzygną dopiero eksperymenty w laboratorium.
