Когда данных слишком много даже для учёных

Современная биология переживает парадокс: эксперименты генерируют данные быстрее, чем учёные способны их осмыслить. Эксперименты производят данные значительно быстрее, чем учёные успевают их интерпретировать — и это становится одним из главных узких мест в биомедицинских исследованиях. Именно эту проблему взялись решить OpenAI, биотех-компания PerturbAI и Scripps Research.

Компании провели совместный эксперимент: почти 2000 AI-агентов параллельно интерпретировали биологические данные и генерировали гипотезы, которые могут направить поиск мишеней для новых лекарств.

ℹ Что такое AI-агент?
AI-агент (AI agent) — это автономная программа на основе языковой модели, которая самостоятельно планирует шаги, использует инструменты (поиск в интернете, базы данных, код) и выполняет поставленную задачу без постоянного участия человека. В отличие от обычного чат-бота, агент действует независимо в рамках заданных инструкций.

GPT-Rosalind: AI специально для наук о жизни

Rosalind — это бренд OpenAI в области наук о жизни, включающий модель GPT-Rosalind и платформу Rosalind Workbench — оркестрированную рабочую среду для ускорения научных исследований. GPT-Rosalind вышел в исследовательский доступ в апреле 2026 года, а с сентября стал доступен организациям через программу доверенного доступа.

Модель специально обучена на задачах наук о жизни. OpenAI описывает GPT-Rosalind как модель, сочетающую биологическое мышление с научными инструментами, с задокументированным применением в геномике, анализе белков и последовательностей, медицинской химии, синтезе литературы и планировании экспериментов.

Эксперимент: 1946 агентов и атлас мозга мыши

Что такое Whole-Brain CRISPR Atlas

Команда использовала датасет под названием Whole-Brain CRISPR Atlas. CRISPR — это технология редактирования генов, а сам атлас фиксирует клеточные реакции на генетические манипуляции по всему мозгу мыши.

Датасет охватывает 7,7 миллиона ядер клеток мозга мыши. С помощью CRISPR учёные нарушали работу 1947 генов, связанных с болезнями, и наблюдали, как на это реагируют разные типы клеток.

Архитектура распределённого анализа

Подход, который OpenAI называет «распределённым биологическим рассуждением» (distributed biological reasoning), разделил анализ между тысячами агентов, каждый из которых изучал отдельный фрагмент атласа — то, как нарушения конкретных генов влияют на разные типы клеток по всему мозгу.

Каждый агент на базе GPT-Rosalind исследовал нарушение одного гена из CRISPR-атласа: анализировал клеточные реакции, искал данные в научной литературе и предлагал объяснения. Отчёты всех агентов затем объединялись в «атлас рассуждений» (reasoning atlas), связывающий гены, клеточные эффекты, публикации и возможные механизмы.


graph TD
    A["Whole-Brain CRISPR Atlas\n7,7 млн клеточных ядер"] --> B["Разбивка на 1946 профилей\n(1 ген = 1 профиль)"]
    B --> C["1946 GPT-Rosalind агентов\nработают параллельно"]
    C --> D["Анализ клеточных реакций"]
    C --> E["Поиск в научной литературе"]
    C --> F["Генерация гипотез"]
    D --> G["Reasoning Atlas\n(Атлас рассуждений)"]
    E --> G
    F --> G
    G --> H["Перспективные направления\nдля исследований"]

Результат: 32 минуты вместо нескольких месяцев

1946 агентов GPT-Rosalind, работая параллельно, проанализировали данные миллионов клеток мозга мыши всего за 32 минуты. По оценкам команды, сопоставимый анализ с обзором литературы занял бы у людей от нескольких месяцев до года — эта оценка построена исходя из 15 минут на каждое нарушение гена и 10 минут на прочтение каждой статьи.

💡 Ключевое преимущество масштабирования
Главная идея подхода — не заменить одного мощного агента другим, а масштабировать параллельную работу. Тысячи агентов одновременно читают литературу и анализируют данные, что принципиально недостижимо для единственного агента с ограниченным контекстным окном.

Тысячи агентов против одного: сравнение результатов

Исследователи провели честное сравнение: одна и та же задача, одна модель, одинаковые инструменты и доступ к данным — но разное количество агентов.

ПараметрОдин агент1946 агентов
Цитируемые научные источники~11>700
Время анализаЧасы32 минуты
Предпочтение экспертов17%75%
Восстановленных ранее известных находок—94,5% (52 из 55)

В слепых попарных сравнениях эксперты-учёные предпочли отчёты распределённых агентов в 75% случаев (45 из 60 оцениваемых ответов) против 17% для единственного агента, получившего тот же датасет и ресурсы.

При максимальной нагрузке распределённые агенты процитировали более 700 научных источников — против 11 у одного агента.

Агенты также воспроизвели или уточнили 48 из 55 находок исходного исследования по атласу, которые можно было извлечь из полученных ими данных, — при этом работая без доступа к рукописи того исследования.

Что нашли агенты: конкретные открытия

DCTN1 и холестерин: новый след для нейродегенерации

Одна из наиболее интересных находок связана с геном DCTN1, ассоциированным с синдромом Перри (Perry syndrome) — редким нейродегенеративным заболеванием, вызывающим симптомы, похожие на болезнь Паркинсона.

Когда исследователи нарушили работу этого гена, они наблюдали повышенную активность генов, отвечающих за производство холестерина. AI-агенты связали это наблюдение с более ранними исследованиями, предполагающими, что нарушение транспорта холестерина внутри клеток может запускать дополнительное его производство.

«GPT-Rosalind предложил возможное объяснение: холестерин, возможно, не достигает тех мест, где он нужен нейронам. Это даёт учёным конкретный механизм для проверки и — если он подтвердится — направление для разработки новых методов лечения нейродегенеративных заболеваний.» — OpenAI

Этот результат — не кандидат на лекарство и не подтверждённое лечение. Это гипотеза, достойная проверки: если нарушение DCTN1 приводит к аномальному обращению с холестерином внутри нейронов, может ли восстановление нормального распределения холестерина защитить эти клетки от дегенерации?

TSC1 и TSC2: почему одна мутация опаснее другой

Агенты выявили неожиданное различие между TSC1 и TSC2 — двумя генами, совместно контролирующими mTOR, главный регулятор роста клеток, метаболизма и старения. Нарушение TSC2 в клетках мозжечка вызывало значительно более серьёзные изменения, чем нарушение TSC1. Это может объяснять, почему мутации TSC2 при туберозном склерозе (tuberous sclerosis) клинически протекают тяжелее.

📝 Что такое туберозный склероз?
Туберозный склероз (tuberous sclerosis) — редкое генетическое заболевание, при котором доброкачественные опухоли образуются в мозге, почках, лёгких и коже. Мутации в генах TSC1 или TSC2 нарушают работу сигнального пути mTOR, критически важного для роста клеток. Мутации в TSC2 традиционно связывают с более тяжёлым течением болезни.

Валидация: насколько можно доверять результатам?

Для оценки отчётов команда привлекла 30 биологов с учёными степенями для слепого рецензирования. Их оценки в целом подтвердили приоритеты агентов в ранжировании перспективных направлений исследований.

Согласно препринту на bioRxiv, опубликованному 16 октября 2026 года, система воспроизвела 52 из 55 ранее установленных научных находок (94,5%) из атласа CRISPR-возмущений всего мозга.

Вместе с тем важно понимать ограничения: результаты показывают, что AI способен резко ускорить анализ сложных биологических датасетов. Но генерация научных гипотез — это не то же самое, что их проверка, и предложенные связи с заболеваниями всё ещё требуют лабораторного подтверждения.

⚠ Важно понимать
Все результаты, полученные AI-агентами, — это гипотезы, а не доказанные факты. Препринт на bioRxiv не прошёл рецензирование (peer review). Финальное слово в науке остаётся за лабораторными экспериментами и людьми-учёными.

Что дальше: от анализа к открытию лекарств

PerturbAI сообщает, что биомедицинское сотрудничество с OpenAI продолжается уже год и теперь расширяется в сторону совместного поиска мишеней для лекарств. Мишень для лекарства — это биологический компонент, который исследователи изучают как возможную точку терапевтического вмешательства.

Сопутствующий препринт «Distributed AI agents enable comprehensive discovery of biological insights at scale» размещён на bioRxiv 16 октября 2026 года. Среди авторов — представители Медицинского института Говарда Хьюза, Scripps Research, OpenAI, PerturbAI и Калифорнийского университета в Сан-Диего.

Результаты работы — включая reasoning atlas — сделаны общедоступными, что открывает возможность для независимой проверки и дальнейшего использования научным сообществом.

Изменение роли учёного в эпоху AI-агентов

Подход меняет не только скорость анализа, но и сам характер научной работы. Более быстрая интерпретация данных создаёт давление на приоритизацию исследований: лаборатории всё равно должны решать, какие идеи заслуживают проведения физических экспериментов.

Как отмечают сами авторы работы: «Чтение литературы, взвешивание объяснений и выбор решающих экспериментов останутся в центре научного образования и суждения, тогда как агенты расширят круг вопросов, которые исследователи могут изучать».

Таким образом, AI-агенты не заменяют учёных — они позволяют одному исследователю охватить значительно больше научных вопросов, превращая анализ данных из узкого места в масштабируемый ресурс.