GPT-Rosalind, 1 946 agents et une piste cholestérol : ce que montre réellement le résultat DCTN1

Le 21 octobre 2026, O​penAI a publié une collaboration avec PerturbAI et Scripps Research dans laquelle 1 946 agents exécutés sur GPT-Rosalind ont parcouru un atlas CRISPR du cerveau entier de 7,7 millions de cellules cérébrales de souris en 32 minutes. L'une des pistes qui en sont ressorties est celle qui circule : DCTN1, le gène à l'origine du syndrome de Perry, et un lien possible entre la gestion du cholestérol et la neurodégénérescence. GPT-Rosalind lui-même n'est pas nouveau — O​penAI l'a mis en aperçu de recherche en avril 2026 et l'a ouvert aux organisations éligibles via son programme d'accès de confiance en septembre — il ne s'agit donc pas d'une annonce de lancement. C'est la première fois que le modèle produit un artefact de recherche public et reproductible plutôt qu'un chiffre de référence, et c'est une chose plus intéressante à examiner. Ce que les agents ont réellement fait est plus limité que ne le suggèrent les gros titres, et plus utile qu'eux : ils ont transformé une signature transcriptionnelle inattendue en une question testable, et 30 experts en aveugle ont jugé que cette question valait la peine d'être approfondie. Personne ne l'a testée dans un neurone, et encore moins chez un patient. Les affirmations de recherche qui dépassent leurs preuves, et les corrections qui s'ensuivent, sont consignées avec leurs dates et sources dans l'AI Incident Archive, aux côtés du reste des incidents de modèles et de fournisseurs que nous suivons.

Trois artefacts, dont un nouveau

L’annonce mérite d’être décortiquée, car la partie utile n’est pas le post de presse. Trois choses sont arrivées en même temps :

• Une prépublication — « Des agents d’IA distribués permettent une découverte exhaustive de connaissances biologiques à grande échelle », Sun et al., mis en ligne sur bioRxiv le 16 octobre 2026. Elle n’a pas fait l’objet d’une évaluation par les pairs.

• Code — un dépôt public du laboratoire Jin contenant l'environnement d'exécution de l'agent, un serveur MCP local sur le corpus de littérature, des outils de requête en CLI et les notebooks qui reproduisent les figures de l'article.

• Données — l’atlas CRISPR in vivo du cerveau entier PerturbAI lui-même, sur Hugging Face : 7,72 millions de cellules, près de 2 000 gènes liés à des maladies, 19 070 ARNm, 8 588 sgARN. L’article de l’atlas est une prépublication distincte de mars 2026.

C'est cette combinaison qui fait que cela mérite un article plutôt qu'un paragraphe. Un benchmark de fournisseur est infalsifiable de l'extérieur. Un preprint accompagné d'un jeu de données publié et d'un pipeline publié peut être exécuté sur un autre atlas, vérifié ligne par ligne ou contredit par quelqu'un disposant d'un laboratoire humide. Quoi qu'il en soit par ailleurs de l'allégation sur DCTN1, l'échafaudage qui l'entoure est inspectable.

La méthode est la revendication, donc commencez par là.

Le jeu de données est un atlas Perturb-seq : dans l’ensemble du cerveau de souris, les gènes sont perturbés un ARN guide à la fois, et le transcriptome de chaque cellule est lu. Le résultat est environ deux mille perturbations croisées avec des dizaines de milliers de réponses perturbation-par-type cellulaire — bien plus que ce qu’un laboratoire examine de près, ce qui constitue le goulot d’étranglement que l’article attaque.

Le raisonnement biologique distribué, tel que les auteurs le définissent, ne consiste pas en un seul appel de modèle sur un grand tableau. Chaque perturbation parmi les 1 946 dispose de son propre agent. Cet agent examine la réponse cellulaire à la perturbation de son gène, parcourt la littérature scientifique à la recherche de tout élément qui l’explique, et rédige un rapport narratif ainsi qu’un rapport structuré proposant un mécanisme. Au cours de l’exécution, les agents ont effectué 39 185 lectures d’articles et retenu 16 445 citations. Les rapports sont ensuite synthétisés en un graphe reliant gènes, effets par type cellulaire, articles et mécanismes candidats.

Deux détails de cette description comptent davantage que l'échelle. Premièrement, les agents ont travaillé sans le manuscrit source — les conclusions de l'article original sur l'atlas leur ont été dissimulées, et c'est précisément ce qui donne tout son sens au test de récupération de la section suivante. Deuxièmement, le modèle est désigné dans la prépublication sous le nom de GPT-Rosalind-5.5, avec une date limite de connaissances déclarée à décembre 2025. Comme le manuscrit source est paru en mars 2026, les agents n'ont pas pu mémoriser ses conclusions. Il s'agit là d'une véritable force méthodologique, et l'article mérite d'en être crédité.

La piste DCTN1, formulée en quatre affirmations distinctes

Voici la chaîne, dans l’ordre où l’article la construit. Le statut épistémique change à chaque étape, et c’est précisément ce qui se perd lorsqu’on la raconte.

• L’observation (mesurée). Dans l’atlas, la perturbation de Dctn1 a augmenté l’expression des gènes impliqués dans la synthèse du cholestérol. Il s’agit d’une signature transcriptionnelle présente dans les données, et non d’une invention du modèle.

• Le lien (inférence appuyée par la littérature). DCTN1 code la dynactine, un élément de la machinerie motrice de la dynéine qui achemine le fret le long des microtubules à l'intérieur des neurones. Des travaux existants suggèrent que lorsque le transport du cholestérol est altéré, les cellules augmentent la synthèse du cholestérol, apparemment par compensation. L'agent a associé un gène de transport à une signature de synthèse.

• L'hypothèse (non testée). Si la perturbation de DCTN1 modifie la façon dont le cholestérol est distribué au sein des neurones, cette redistribution pourrait contribuer à la dégénérescence — et le rétablissement d'une distribution normale pourrait être protecteur. La publication d'O​penAI elle-même se montre prudente à ce sujet, la présentant comme une question à traiter dans des expériences de suivi et employant « pourrait » tout au long.

• Le lien avec la maladie (établi, et non issu de cet article). DCTN1Les mutations de DCTN1 provoquent le syndrome de Perry, une maladie neurodégénérative rare associée à des signes parkinsoniens. C'est ce lien qui rend la piste cliniquement lisible, et il précède l'étude de plusieurs années.

Tout ce qui suit la première puce relève de l’inférence. La signature est une donnée ; l’histoire du transport et de la compensation est un mécanisme tiré de la littérature ; l’idée thérapeutique est une hypothèse que personne n’a testée dans un neurone. Les experts en aveugle qui ont examiné ces rapports ont jugé la piste DCTN1 novatrice, importante et digne d’être approfondie — ce qui dit à quel point la question est bonne, et non si la réponse est oui.

L’expérience de contrôle porte l’article.

Les éléments les plus probants du preprint ne sont pas l’histoire du cholestérol. Ce sont les comparaisons que l’équipe a effectuées sur sa propre méthode, car celles-ci sont accompagnées de chiffres et un sceptique peut les vérifier.

• Récupération des résultats tenus à l'écart — sur 71 résultats du manuscrit source non communiqué évalués par l'équipe, 35 ont été appariés et 13 affinés. En se limitant aux 55 résultats directement testables à partir des données d'expression différentielle, 48 (87,3 %) étaient appariés ou affinés et 52 (94,5 %) ont été au moins partiellement récupérés, la direction des voies étant préservée dans 96,2 % des comparaisons appariées.

• Couverture des citations — pour une charge de travail de 893 perturbations, les agents distribués ont conservé 711 fois plus de références qu’un agent unique disposant du même modèle et du même jeu de données. L’agent unique a cité 11 références. La publication d’OpenAI arrondit ce chiffre à « plus de 700 contre 11 ».

• Prédiction — sur une partition de validation isolée de 272 perturbations, le système a atteint une exactitude équilibrée de 0,705 pour prédire quelles perturbations produisent une réponse détectable, surpassant les modèles de référence fondés sur le taux de réponse et l’interaction physique. Il était bien meilleur sur la moitié facile (142 cas sur 172 cas à effet nul, 82 %) que sur la moitié difficile (59 sur 100, 59 %).

• Évaluation par des experts — 30 scientifiques de niveau doctoral ont examiné 60 rapports, trois évaluations chacun, en aveugle. Les rapports distribués ont été préférés dans 45 des 60 comparaisons appariées (75 %), les rapports d'agent unique dans 10, avec 5 ex aequo. Les classements de nouveauté établis par les agents eux-mêmes corrélaient avec ceux des humains à ρ = 0,61.

Lus ensemble, ces résultats portent sur la décomposition, non sur le QI du modèle. Une fenêtre de contexte unique se dégrade à mesure qu’on y déverse un atlas ; deux mille agents étroits disposant chacun d’un outil de recherche bibliographique ne se dégradent pas. Cette affirmation tiendrait même si GPT-Rosalind était un modèle moyen, ce qui explique pourquoi c’est la partie à laquelle il faut se fier — et pourquoi cet article est plus utile aux biologistes computationnels qu’à quiconque cherche à acheter une API.

L'autre résultat, qui est plus facile à défendre

Les agents ont également mis en évidence un contraste pertinent pour la maladie entre Tsc1 et Tsc2, deux gènes de la voie mTOR. La perturbation de l’un ou l’autre a produit des effets similaires dans plusieurs populations neuronales, mais dans le cervelet, c’est Tsc2 dont la perturbation a modifié des dizaines de gènes impliqués dans la communication neuronale, tandis que c’est Tsc1 dont la perturbation n’a eu que peu d’effet. Dans la sclérose tubéreuse, les anomalies cérébelleuses sont fortement associées aux mutations de TSC2, de sorte que cette différence est au moins cohérente avec le tableau clinique.

Pourquoi est-ce plus facile à défendre que la piste du cholestérol ? Parce que l’affirmation est structurelle plutôt que causale — « ces deux perturbations divergent dans ce type cellulaire » est une affirmation que l’atlas lui-même peut étayer, et la résonance clinique est une corroboration plutôt que l’argument. Cela nomme aussi une population spécifique et un ensemble spécifique de gènes à interroger, ce dont une étude de suivi a besoin.

Quatre raisons de tout rejeter

Rien de tout cela ne justifie d’ignorer l’article. Tout cela justifie de ne pas le citer comme résultat concernant la maladie.

Il s’agit d’une préimpression présentant un intérêt commercial. Publiée le 16 octobre 2026, non évaluée par les pairs. La déclaration de conflits d’intérêts est explicite : six auteurs sont employés d’OpenAI et deux sont employés de PerturbAI, dont deux ont cofondé l’entreprise. L’organisation qui produit le modèle a coécrit l’article qui évalue le modèle. La comparaison humaine était en aveugle, ce qui est à l’honneur des auteurs, mais le vivier d’experts, la grille d’évaluation et l’échantillonnage relevaient tous de leur propre conception.

La biologie est murine, et elle est transcriptomique. Une signature de synthèse du cholestérol dans une cellule perturbée se situe à deux étapes d’un défaut de trafic du cholestérol dans un neurone humain, et à trois étapes d’une thérapie. Toute hypothèse neurodégénérative de ce type se heurte à des années de suivi, et la plupart répondent « non, pas comme ça ».

Le chiffre de 32 minutes nécessite du contexte. Il s'agit d'un temps d'exécution réel pour le balayage parallèle, et la comparaison « des mois à un an » est l'extrapolation des auteurs à partir de l'exécution du même travail une perturbation à la fois. Considérez le premier comme mesuré et le second comme un ordre de grandeur crédible, et non comme un résultat au chronomètre face à une équipe humaine équivalente.

Les citations ne sont pas l’affirmation. Sur 1 519 résultats à haute confiance produits par les agents, 27,6 % étaient étayés par la littérature antérieure, 41,9 % étaient des inférences nouvelles, 6,6 % contredisaient la littérature et 23,8 % n’avaient aucun précédent. Qu’un cinquième de la production n’ait aucun précédent est soit le but même de l’exercice, soit un avertissement, selon la confiance que vous accordez à l’étape d’agrégation. L’article rapporte des contrôles par permutation — la concordance entre l’agent et la littérature est passée de 29,3 % à 13,2 % lorsque les étiquettes de perturbation étaient randomisées —, ce qui est le bon contrôle à avoir réalisé.

Si vous souhaitez l’utiliser, voici ce qui existe

Le résultat pratique n’est pas l’hypothèse du cholestérol. C’est l’artefact : un atlas public de raisonnement qui relie les perturbations aux effets par type cellulaire et aux articles à l’origine de chaque mécanisme proposé, ainsi que du code qui appliquera le même schéma à un autre criblage. Un laboratoire travaillant sur le syndrome de Perry ou sur le trafic lipidique dans les neurones dispose désormais d’une liste hiérarchisée de questions assorties de citations. La première chose à faire avec l’entrée DCTN1 est de vérifier si sa littérature citée dit bien ce que le résumé affirme qu’elle dit — un travail de deux heures pour un postdoc, et la juste dose de scepticisme qui s’impose pour toute hypothèse générée par une machine.

L’accès au modèle sous-jacent s’est élargi la même semaine. Le 15 octobre 2026, O​penAI a annoncé le Rosalind Academic Plan : les laboratoires académiques des universités américaines peuvent faire une demande via l’accès de confiance pour jusqu’à 30 sièges Business Standard gratuitement pendant 12 mois maximum, GPT-Rosalind étant disponible après l’approbation habituelle, et les données de recherche n’étant pas utilisées pour l’entraînement par défaut. L’accès à l’API n’est explicitement pas inclus dans les sièges académiques — il passe par le programme commercial d’accès de confiance, facturé depuis le 5 octobre 2026 à 5,00 $ par million de jetons d’entrée, 0,50 $ pour l’entrée mise en cache et 25,00 $ par million de jetons de sortie, qui sont les tarifs publiés d’O​penAI, et non des tarifs évalués indépendamment.

Là où un routeur a sa place, et où il ne l'a pas

GPT-Rosalind n’est pas disponible sur OrcaRouter. Tout article qui suggère le contraire est erroné ; l’accès relève de la demande et de l’examen d’accès de confiance d’OpenAI, et rien dans une couche de routage ne modifie cette barrière.

Ce qu’une couche de routage change, c’est la forme du pipeline autour de la science. Une exécution comme celle-ci n’est en grande partie pas constituée d’appels de biologie. C’est de l’orchestration sur deux mille workers parallèles, l’analyse et la déduplication des rapports, l’agrégation des résultats, et le code qui transforme un atlas en quelque chose qu’un biologiste peut interroger. Ces étapes n’ont pas besoin d’un modèle métier à 25 $ par million de tokens de sortie, et les y placer, c’est ainsi qu’une expérience de 32 minutes devient coûteuse. Sur OrcaRouter, les branches non biologiques peuvent tourner sur un modèle général au prix catalogue du fournisseur avec 0 % de marge, tandis que les appels Rosalind restent sur la clé d’accès de confiance — et lorsqu’un fournisseur se bloque, le basculement automatique déplace la requête plutôt que l’ensemble de l’exécution. La couche de routage est destinée aux parties du pipeline qui ne relèvent pas de la science.

Qu’est-ce qui changerait réellement l’histoire ?

Le prochain événement qui compte n’est pas la sortie d’un nouveau modèle. C’est de savoir si un laboratoire s’empare de l’hypothèse DCTN1 et rapporte un résultat : un test de trafic du cholestérol dans des neurones, un modèle du syndrome de Perry, n’importe quoi qui teste la redistribution plutôt que la synthèse. Si c’est le cas, et que l’effet tient, ce préprint apparaîtra comme le moment où relier une littérature dispersée à un atlas est devenu assez peu coûteux pour être exécuté à l’échelle du cerveau entier. Si personne ne le fait, la contribution durable est la méthode et la comparaison 711 contre 11 — un héritage plus modeste, mais réel, et qui se transfère à n’importe quel criblage de perturbations dont un laboratoire dispose déjà.

D’ici là, le résumé honnête est celui des auteurs eux-mêmes : les agents ont transformé une signature transcriptionnelle inattendue en une idée testable, et des experts humains ont jugé que cette idée valait la peine d’être testée. C’est une bonne semaine pour la biologie computationnelle. Ce n’est pas encore une bonne semaine pour les patients, et c’est dans l’écart entre ces deux phrases que la plupart des comptes rendus de cette étude feront fausse route.