OpenAI的GPT-Rosalind代理在32分钟内分析了全脑CRISPR图谱：声明、结果与Hacker News的反弹

OpenAI、PerturbAI和Scripps Research使用了由名为GPT-Rosalind的模型驱动的数千个AI代理，来解释覆盖数百万脑细胞的全脑小鼠CRISPR图谱，并在32分钟内完成了分析。该团队将这种方法称为“分布式生物推理”，并生成了一个公开的“推理图谱”，将基因破坏、细胞效应、相关科学文献和提议的生物学机制联系起来。最引人注目的声明是速度和广度：研究人员估计，等效的人工分析和文献回顾，一次处理一个扰动，将需要数月到一年的时间。

合作实际产生了什么

产出不是新药或经过验证的疾病机制。而是一组关于大型现有数据集含义的、基于文献的排序假设。

团队将全脑CRISPR图谱的分析分配给数千个代理。每个代理调查一个基因破坏，分析图谱中记录的细胞反应，搜索科学文献，并对其发现提出解释。然后，各个代理的报告被合并成一个推理图谱，将基因映射到细胞效应、出版物和候选机制。

根据公告，这些代理重现了先前人类分析的发现，同时也发现了额外的线索，并且它们对新颖性和科学价值的评估与盲法人类专家的判断一致。所述目的是优先排序：帮助研究人员决定哪些后续实验值得进行。

单代理与分布式代理的比较

公告的核心定量声明是，将工作分配给多个代理比将整个数据集交给一个代理能产生更好的文献覆盖。

在模型和资源固定的情况下，团队报告说，随着工作量的增加，单个代理搜索的文献较少，在最大工作量时仅引用了11篇参考文献，而分布式代理引用了超过700篇参考文献。在盲法比较中，人类专家在75%的情况下更喜欢分布式代理的报告而不是单代理的报告。

所述理由是，科学家时间有限，倾向于关注数据中最强的信号，而并行代理可以检查更广泛的反应，包括微妙或意外的反应，并将它们与相关文献联系起来。

代理发现的两个生物学线索

小脑中的Tsc1与Tsc2

Tsc1和Tsc2共同控制mTOR，这是细胞生长、代谢和衰老的主要调节因子。代理发现，破坏这两个基因中的任何一个在几组神经元中产生相似的效果，但在小脑中两者出现分歧：Tsc2破坏改变了参与神经元通讯的数十个基因的活性，而Tsc1破坏几乎没有产生变化。

公告认为，这种差异可能与人类疾病相关，因为在结节性硬化症患者中，小脑异常与TSC2突变密切相关。降低mTOR活性的药物可以治疗某些脑肿瘤和癫痫发作，但与疾病相关的学习和行为困难仍然难以解决。代理在这里的贡献是提出了一系列更具体的问题，关于要调查哪些神经元群体和细胞变化。

DCTN1与胆固醇调节

DCTN1是一个基因，其突变导致Perry综合征，这是一种具有帕金森样症状的神经退行性疾病，并且它参与神经元内货物的移动。在全脑CRISPR图谱中，破坏Dctn1增加了参与胆固醇合成的基因的表达。代理将该观察结果与研究联系起来，这些研究表明胆固醇运输问题可能导致细胞产生更多胆固醇。

这产生了一个可测试的假设：DCTN1破坏是否会改变神经元内胆固醇的分布，以及这些变化是否会导致神经退行性变？根据公告，人类专家也认为该假设新颖、重要且值得跟进。

推理图谱和数据集的位置

推理图谱可在github.com/jinlabneurogenomics/distributed_agent获取，公告称这允许科学家比较相关基因、调查意外反应并确定要追求的线索。底层的全脑CRISPR图谱数据集发布在Hugging Face上，地址为perturbai/wholebrain_crispr_atlas。

Hacker News的反应：线索不是瓶颈

Hacker News讨论中的主要批评是，生成假设从来不是药物开发的限制步骤，因此更快的假设生成器不会改变治疗的时间表。

“问题从来不是生成线索。瓶颈是验证结果。是进行证明有效性的临床试验。而我认为AI将在这里产生最大影响——帮助科学家应对研究复杂性和监管负担。” — @jostmey

@mdevere提出了同一论点的更长版本，指出临床科学已经“充斥着理由充分的‘潜在线索’”，并且AI药物发现公司通常被迫自己成为药物开发者，面临与其他人相同的时间表、成本和历史成功率。该评论者还认为，这项工作没有专有数据优势，也没有明确解释为什么底层模型会产生异常有洞察力的发现。

具体反对意见：DCTN1已知

几位评论者质疑DCTN1例子的新颖性，认为该基因与帕金森样疾病的联系已在标准参考资源中记录。

“在Genecards（一个整理已知基因功能关系的流行网站）上查找DCTN1，显示它已经已知与帕金森样疾病相关。” — @pcrh

@kidel001提出了一个竞争机制，指出DCTN1还引导自噬体向溶酶体进行废物降解，而废物降解中断和蛋白质积累也可能合理地导致神经退行性变。该评论者的更广泛观点是，这类假设很便宜：

“博士生每小时都会提出类似的假设。假设很便宜。”

方法论和框架批评

@anthuswilliams认为新闻稿歪曲了底层论文，并将核心发现视为显而易见：将分析分散到1,946个代理而不是一个代理，比顺序处理更快、更彻底，而两者都比手动操作更快。该评论者补充说，链接的论文本身比公告给人的印象更好。

@Metacelsus质疑效率，将设置描述为一次perturb-seq实验，每个基因库中的基因启动一个代理，并询问目标是否是花费数百万API积分。@Otterly99说，论文的密集图表和不明确的目标使其难以被解读为除了技术演示之外的任何东西，同时希望该工具应用于现实世界的问题。

@suddenlybananas反对人类偏好图表的突出地位，问为什么这么多空间用于专家是否更喜欢分布式代理报告而不是单代理报告，而不是疾病结果。

对AI科学公告的更广泛怀疑

线程中反复出现的主题是，该公告被视为AI行业轨迹的信号，而不仅仅是生物学。

“注意它如何从‘我们证明了菲尔兹奖级别的东西’转变为‘有希望的线索’，当我们进入生物学世界时。仍然很棒，但说明了纯思维在更应用学科中的局限性。今天没有自动治愈癌症。” — @shearerp

@SimianSci将发布描述为看起来“半生不熟”，并将其归因于实验室试图在炒作降温中维持势头。@crmd将利害关系与估值联系起来，认为如果市场得出结论，前沿AI不会以颠覆软件工程的速度颠覆其他行业，泡沫就会破裂。@vatsachak反对框架本身，认为LLM应该作为编码工具而不是改变世界的力量来营销，并且“新线索”在这种语气之后显得平淡。@anfogoat更直率：“在你为真实的人治愈了真正的疾病之前，请闭嘴。”

并非每条评论都是轻蔑的。@RomanPushkin写道，如果AI取代人类工作能产生帮助每个人的基本发现，他们会原谅这一点。@dsign称结果为“不错，但不突破”，并预测全自动实验室是疾病生物学数量级进展所需的下一步。

什么会使这个结果更强

公告本身将工作框定为优先排序而不是证明：代理提出机制，需要进一步的实验来测试它们。公告与其批评者之间的差距主要在于这种框架的价值。团队的可测量声明是狭窄且可检查的——32分钟的计算时间，分布式代理引用了超过700篇参考文献，而单个代理引用了11篇，盲法比较中专家偏好为75%，以及一个公开的图谱。这些数字是否转化为治疗取决于评论者反复指出的实际瓶颈：临床验证管道。