OpenAI 动用数千个 AI Agent，32 分钟挖掘数百万脑细胞中的疾病线索

给 1,946 个 Agent，各分一道题

这套系统像把一摞实验卷宗分给多名调查员，但每人先盯住一个基因扰动。主分析为 1,946 个扰动分别安排 Agent，输入包括不同细胞类型的差异表达结果、实验背景与统一提示。论文将其称为“分布式生物学推理”。[6]

Agent 可以检查数据、检索论文并比较其他扰动，随后提交结构化报告。报告同时列出定量证据、解释、文献、局限与后续实验建议。但单份报告仍只是局部视角，团队还要汇总关系，连接基因、细胞类型和可能机制。[6]

怎样判断它没有只是在复述原论文？团队扣下原研究稿件与结论，使用 GPT‑Rosalind‑5.5；其声明的知识截止时间早于原稿公开。但这仍属于作者设计的回溯评估，不能替代在全新数据上的独立测试。[6]

在仅凭所给差异表达数据即可检验的 55 项发现中，Agent 匹配或细化了 48 项，比例为 87.3%；计入部分恢复则为 94.5%。但原研究里依赖其他数据的发现未能全部找回，“恢复结论”也有输入条件。[6]

单个 Agent，为什么越忙越读不进去？

让一个 Agent 接下全部任务，会发生什么？在 893 个有可检测转录反应的扰动这一工作量下，单 Agent 仅保留 11 条引用；论文报告分布式方案约为其 711 倍。但引用记录更多，不能直接折算成新发现更多。[6]

这组比较保持模型、提示、工具和数据访问一致，但任务组织方式不同。分工让每个扰动都能获得相对独立的检索与解释空间。结果支持“扩大解释覆盖面”，却不足以推出同等总算力或同等费用下的效率优势。[6]

检索之后，还要辨别证据距离。系统把观察与文献的关系分为一致、推断、分歧，以及未检索到先例。但“推断”意味着解释仍跨着证据缺口，“未找到”也可能来自检索遗漏，不能自动贴上原创发现标签。[6]

在 Agent 标记的 1,519 项高置信发现中，27.6% 被归为文献一致，41.9% 属于推断，23.8% 没有检索到先例。但这些标签本身也由 Agent 产生；人类需要继续核查引用是否真正支持相应机制。[6]

两个搭档基因，在小脑分了岔

Tsc1 与 Tsc2 可以理解为同一套生长调控装置中的搭档，都参与调节 mTOR。在多类神经元中，扰动二者会引出相似的表达反应。但把它们简单归入同一条通路，可能遮住特定细胞中的分歧。[1, 6]

Agent 同时追踪“哪里相似”与“哪里不同”。作者图版展示了多个细胞群中的同向变化，但这种总体一致性不保证每种细胞都遵循同一个模式；把分析拆到细胞类型，差异才有机会显现。[6, 12]

在所示小脑 GABA 能细胞群里，Tsc2 扰动检出 83 个差异表达基因，Tsc1 则为 0 个，采用原图的 FDR＜0.10 阈值。但“0 个”表示该数据和阈值下未检出，不能解释为 Tsc1 在这里毫无功能。[12]

OpenAI 将这条线索联系到结节性硬化症中的小脑异常。它把问题缩小为：哪些细胞变化值得单独验证？但从小鼠表达差异走到患者症状、再到治疗反应，仍缺少直接证据，现有结果不能回答药物能否纠正这些变化。[1]

胆固醇线索，先把问号留下

另一条线索落在 DCTN1。它参与细胞内运输，相关突变与带有帕金森样症状的 Perry 综合征有关。但这次实际观察到的是：小鼠 Dctn1 扰动后，一组胆固醇合成相关基因表达上调。运输机制需要另行验证。[1, 6]

Agent 把表达变化与既有运输研究接起来，提出一种可能：胆固醇运送异常，是否触发细胞增加合成的补偿程序？但表达上调不能证明胆固醇已经堆在某个位置，更不能证明降低或提高胆固醇就能保护神经元。[1, 6]

预印本报告，这一方向获得专家 4.3/5 的后续研究优先级评分。但“值得跟进”评价的是研究价值，尚不意味着机制被证明。下一步需要直接测量胆固醇分布、运输变化，以及相关变化是否影响神经元存活。[6]

团队最终汇总出 3,397 条去重后的关系型发现，并按证据、新颖性与跟进价值排序。但条目数不能读成同等数量的突破。更可操作的产出，是一份有证据入口、等待人工复核的实验候选清单。[6]

75% 的偏好，距离正确率还有多远？

30 名博士层级生物学专家评阅了 60 份报告。其中，20 对匹配报告各由 3 人比较，分布式方案赢得 45 次偏好，占 75%；单 Agent 获选 10 次，5 次平局。但这 60 次判断并非 60 项独立实验。[6]

专家评估了新颖性、证据支持、跟进价值与信心。但报告更受欢迎，仍可能包含错误解释。75% 衡量这批报告的专家偏好，不能写成疾病预测准确率，更不能当作疗法成功率。[6]

预测任务也显示了边界：在留出的 272 个扰动中，100 个实际有转录反应的扰动被正确识别 59 个；172 个无反应扰动被正确识别 142 个。但能解释已测结果，并不保证能稳定预测未测结果。[6]

“32 分钟”的口径同样值得继续核对。公开计时摘要列出 24 条时长记录、约 31.56 分钟的单 Agent 时长及 2,046 个任务，主文则写 1,946 个 Agent。但这些数字尚未完全对齐，不能据此给出严谨的全流程加速倍数。[6, 14]

解释变快之后，实验还得接上

截至此次检索，研究仍为未经同行评审的预印本；代码、保存的分析与图谱入口已经公开。但软件开放不等于模型权重开放，也不等于完整重跑没有权限或费用门槛；作者说明复现保存的图表无需新增模型调用。[6, 12]

这项工作目前解决的，仍是“大实验之后如何组织解释”的一部分问题。但候选清单越长，挑错、复核与验证就越重要。当这些 Agent 选出的下一批实验真正做完，32 分钟带来的研究收益，才有机会被更有力地衡量。[6]