GPT-Rosalind, 1 946 агентов и холестериновый лид: что на самом деле показывает результат по DCTN1

21 октября 2026 года OpenAI объявила о сотрудничестве с PerturbAI и Scripps Research, в рамках которого 1 946 агентов под управлением GPT-Rosalind за 32 минуты обработали CRISPR-атлас всего мозга из 7,7 млн клеток мозга мышей. Одна из полученных в результате зацепок — та, что сейчас обсуждается: DCTN1 — ген, лежащий в основе синдрома Перри, и возможная связь между метаболизмом холестерина и нейродегенерацией. Сам GPT-Rosalind не нов — OpenAI ввела его в режим исследовательского превью в апреле 2026 года и в сентябре открыла доступ для соответствующих критериям организаций через свою программу доверенного доступа, — так что это не история о запуске. Впервые модель создала публичный воспроизводимый исследовательский артефакт, а не цифру бенчмарка, и на это интереснее смотреть. То, что агенты сделали на самом деле, уже, чем в заголовках, и полезнее их: они превратили неожиданную транскрипционную сигнатуру в проверяемый вопрос, и 30 экспертов, работавших вслепую, сочли этот вопрос достойным дальнейшей проверки. Никто не проверял это на нейроне, не говоря уже о пациенте. Исследовательские заявления, опережающие свои доказательства, и последующие исправления фиксируются с указанием дат и источников в the AI Incident Archive, наряду с остальными инцидентами с моделями и поставщиками, за которыми мы следим.

Три артефакта, один из них новый

Анонс стоит разобрать, потому что полезная часть — не сам пресс-релиз. Одновременно появились три вещи:

• Препринт — «Распределённые ИИ-агенты обеспечивают комплексное обнаружение биологических закономерностей в масштабе», Sun и др., опубликован на bioRxiv 16 октября 2026 г. Он не проходил рецензирование.

• Код — публичный репозиторий лаборатории Jin, содержащий среду выполнения агента, локальный MCP-сервер по корпусу литературы, инструменты запросов CLI и ноутбуки, воспроизводящие графики из статьи.

• Данные — сам атлас CRISPR in vivo всего мозга PerturbAI на Hugging Face: 7,72 млн клеток, почти 2 000 генов, связанных с заболеваниями, 19 070 мРНК, 8 588 sgRNA. Статья об атласе — отдельный препринт от марта 2026 года.

Именно это сочетание — причина, по которой это заслуживает статьи, а не абзаца. Бенчмарк от производителя невозможно опровергнуть извне. Препринт с опубликованным набором данных и опубликованным пайплайном можно прогнать на другом атласе, проверить построчно или опровергнуть силами того, у кого есть «мокрая» лаборатория. Что бы ещё ни было верно в отношении утверждения о DCTN1, окружающий его каркас поддаётся проверке.

Метод — это и есть утверждение, поэтому начните с него.

Набор данных представляет собой атлас Perturb-seq: по всему мозгу мыши гены нарушаются по одной направляющей РНК за раз, а транскриптом каждой клетки считывается. В результате получается примерно две тысячи возмущений, скрещённых с десятками тысяч ответов на возмущения в разрезе типов клеток, — гораздо больше, чем любая лаборатория внимательно изучает, и именно это узкое место и пытается преодолеть статья.

Распределённое биологическое рассуждение, как его определяют авторы, — это не один вызов модели по большой таблице. Каждая из 1 946 пертурбаций получает собственного агента. Этот агент изучает клеточный ответ на нарушение работы своего гена, ищет в научной литературе всё, что может это объяснить, и пишет отчёт в повествовательной форме плюс структурированный отчёт с предложением механизма. За весь запуск агенты выполнили 39 185 прочтений статей и сохранили 16 445 цитирований. Затем отчёты синтезируются в граф, связывающий гены, эффекты по типам клеток, статьи и предполагаемые механизмы.

В этом описании две детали важнее масштаба. Во-первых, агенты работали без исходной рукописи — выводы оригинальной статьи об атласе были от них скрыты, и именно это делает тест на восстановление в следующем разделе значимым. Во-вторых, в препринте модель названа GPT-Rosalind-5.5, а заявленная дата отсечения знаний — декабрь 2025 года. Поскольку исходная рукопись появилась в марте 2026 года, агенты не могли запомнить её выводы. Это реальное методологическое преимущество, и статью следует за это признать.

Лид DCTN1, изложенный в виде четырёх отдельных утверждений

Вот цепочка — в том порядке, в котором её выстраивает статья. Эпистемический статус меняется на каждом шаге, и именно это теряется при пересказе.

• Наблюдение (измеренное). В атласе нарушение работы Dctn1 повышало экспрессию генов, участвующих в синтезе холестерина. Это транскрипционная сигнатура в данных, а не выдумка модели.

• Связь (вывод, подкреплённый литературными данными). DCTN1 кодирует динактин — часть механизма динеинового мотора, который перемещает грузы вдоль микротрубочек внутри нейронов. Существующие работы показывают, что при нарушении транспорта холестерина клетки усиливают синтез холестерина, по-видимому, в качестве компенсации. Агент связал ген транспорта с сигнатурой синтеза.

• Гипотеза (непроверенная). Если нарушение DCTN1 меняет распределение холестерина внутри нейронов, такое перераспределение может способствовать дегенерации — а восстановление нормального распределения может оказывать защитное действие. В собственном посте OpenAI проявляет здесь осторожность: это называют вопросом для последующих экспериментов и повсюду используют «could».

• Связь с заболеванием (установлена, причём не в этой работе). DCTN1-мутации вызывают синдром Перри — редкое нейродегенеративное заболевание с паркинсоническими признаками. Именно эта связь делает зацепку клинически понятной, и она была установлена за годы до исследования.

Всё после первого пункта — это умозаключение. Сигнатура — это данные; история о транспорте и компенсации — механизм, взятый из литературы; терапевтическая идея — гипотеза, которую никто не проверял в нейроне. Эксперты, проводившие слепую рецензию этих отчётов, одобрили линию DCTN1 как новую, значимую и заслуживающую дальнейшего изучения — а это говорит о том, насколько хорош сам вопрос, а не о том, положителен ли ответ.

Контрольный эксперимент несёт статью

Самые убедительные доказательства в препринте — не история с холестерином. Это набор сравнений, которые команда провела для собственного метода, потому что к ним приложены числа, и скептик может их проверить.

• Воспроизведение отложенных результатов — из 71 результата из неопубликованной исходной рукописи, которые оценила команда, 35 совпали, а 13 были уточнены. Если ограничиться 55 результатами, напрямую проверяемыми по данным дифференциальной экспрессии, 48 (87,3%) совпали или были уточнены, а 52 (94,5%) были воспроизведены хотя бы частично, при этом направление пути сохранилось в 96,2% совпавших сравнений.

• Покрытие цитирований — при нагрузке в 893 возмущения распределённые агенты сохранили в 711 раз больше ссылок, чем один агент с той же моделью и набором данных. Один агент процитировал 11 источников. В публикации O​penAI это округлено до «более 700 против 11».

• Прогнозирование — на отложенной выборке из 272 возмущений система достигла сбалансированной точности 0,705 при прогнозировании того, какие возмущения вызывают обнаружимый отклик, превзойдя базовые показатели по частоте отклика и физическому взаимодействию. Она гораздо лучше справлялась с лёгкой половиной (142 из 172 случаев нулевого эффекта, 82%), чем с трудной половиной (59 из 100, 59%).

• Экспертная оценка — 30 учёных уровня докторов наук рассмотрели 60 отчётов, по три рецензии на каждый, в слепом режиме. Распределённые отчёты предпочитали в 45 из 60 сопоставимых сравнений (75%), отчёты, подготовленные одним агентом, — в 10, при 5 ничьих. Собственные рейтинги новизны агентов коррелировали с оценками людей при ρ = 0,61.

Если читать это в совокупности, вывод касается декомпозиции, а не IQ модели. Единое контекстное окно деградирует, когда в него вливаешь атлас; две тысячи узкоспециализированных агентов, у каждого из которых есть инструмент для работы с литературой, — нет. Это утверждение осталось бы в силе, даже если бы GPT-Rosalind была средней моделью, — вот почему именно этой части стоит доверять и почему эта статья полезнее вычислительным биологам, чем тем, кто выбирает API.

Другой результат, который легче защитить

Агенты также выявили значимый для заболевания контраст между Tsc1 и Tsc2 — двумя генами пути mTOR. Нарушение любого из них давало сходные эффекты в нескольких популяциях нейронов, но в мозжечке Tsc2 нарушение сдвигало десятки генов, участвующих в нейрональной коммуникации, тогда как Tsc1 нарушение почти ничего не меняло. При туберозном склерозе аномалии мозжечка тесно связаны с мутациями TSC2, так что это расхождение как минимум согласуется с клинической картиной.

Почему это легче защитить, чем версию с холестерином? Потому что утверждение является структурным, а не причинным — «эти две пертурбации расходятся в этом типе клеток» — это то, что сам атлас может подтвердить, а клинический резонанс служит подкреплением, а не аргументом. Оно также называет конкретную популяцию и конкретный набор генов для исследования, что и нужно последующему исследованию.

Четыре причины не принимать всё это во внимание

Ничто из этого не является причиной игнорировать статью. Всё это — причина не ссылаться на неё как на вывод о заболевании.

Это препринт с коммерческой заинтересованностью. Опубликован 16 октября 2026 года, не проходил рецензирование. Заявление о конфликте интересов составлено прямо: шестеро авторов — сотрудники OpenAI, двое — сотрудники PerturbAI, причём двое из них соучредили компанию. Организация, разрабатывающая модель, является соавтором статьи, в которой эта модель оценивается. Сравнение с участием людей проводилось слепым методом, что делает честь авторам, но состав экспертов, критерии оценки и выборка были разработаны ими самими.

Биология здесь мышиная, и она транскриптомная. Сигнатура синтеза холестерина в повреждённой клетке отстоит на два шага от дефекта транспорта холестерина в нейроне человека и на три — от терапии. Каждой нейродегенеративной гипотезе такого рода предстоят годы последующей проверки, и большинство из них отвечают: «нет, не так».

Число в 32 минуты требует контекста. Это реальное время выполнения для параллельного прогона, а сравнение с «месяцами — годом» — это экстраполяция авторов, основанная на выполнении той же работы по одному возмущению за раз. Воспринимайте первое как измеренную величину, а второе как правдоподобный порядок величины, а не как результат секундомера в сравнении с сопоставимой командой людей.

Ссылки — это не утверждение. Из 1519 результатов с высокой степенью уверенности, которые выдали агенты, 27,6% подтверждались предшествующей литературой, 41,9% были новыми выводами, 6,6% противоречили литературе, а 23,8% вообще не имели прецедента. Отсутствие прецедента у пятой части результатов — это либо смысл самого упражнения, либо предостережение, в зависимости от того, насколько вы доверяете этапу агрегации. В статье сообщается о контролях с перемешиванием — согласие между агентом и литературой снизилось с 29,3% до 13,2%, когда метки возмущений были рандомизированы, — и это была правильная проверка, которую стоило провести.

Если вы хотите это использовать, вот что существует

Практический результат — не холестериновая гипотеза. Это артефакт: публичный атлас рассуждений, который связывает возмущения с эффектами на уровне типов клеток и со статьями, стоящими за каждым предложенным механизмом, плюс код, который запустит ту же схему на другом скрининге. Лаборатория, работающая над синдромом Перри или над липидным транспортом в нейронах, теперь располагает приоритизированным списком вопросов с приложенными ссылками. Первое, что нужно сделать с записью DCTN1, — проверить, действительно ли цитируемая литература говорит то, что ей приписывает резюме: работа на два часа для постдока и правильная мера скептицизма для любой гипотезы, сгенерированной машиной.

Доступ к лежащей в его основе модели расширился в ту же неделю. 15 октября 2026 года OpenAI объявила о Rosalind Academic Plan: академические лаборатории в университетах США могут подать заявку через доверенный доступ на получение до 30 мест Business Standard бесплатно на срок до 12 месяцев, при этом GPT-Rosalind становится доступной после обычного одобрения, а исследовательские данные по умолчанию не используются для обучения. Доступ к API явно не входит в академические места — он предоставляется через коммерческую программу доверенного доступа и тарифицируется с 5 октября 2026 года по цене $5.00 за миллион входных токенов, $0.50 за кэшированные входные и $25.00 за миллион выходных, что является опубликованными тарифами OpenAI, а не независимо проверенными.

Где маршрутизатор уместен, а где нет

GPT-Rosalind отсутствует на OrcaRouter. Любая статья, подразумевающая обратное, ошибочна; доступ предоставляется через заявку и проверку в рамках программы доверенного доступа OpenAI, и слой маршрутизации никак не меняет это условие.

Что действительно меняет слой маршрутизации — так это форму конвейера вокруг научной части. Такой запуск, как этот, в основном состоит не из биологических вызовов. Это оркестрация двух тысяч параллельных воркеров, разбор и дедупликация отчётов, агрегирование результатов и код, который превращает атлас в нечто, что биолог может запросить. Эти шаги не требуют доменной модели за $25 за миллион выходных токенов, и именно так 32-минутный эксперимент становится дорогим. В OrcaRouter небиологические этапы могут выполняться на универсальной модели по прайс-листу провайдера с наценкой 0%, пока вызовы Rosalind остаются на ключе доверенного доступа — а если провайдер зависает, автоматическое переключение при отказе переносит запрос, а не весь запуск. Слой маршрутизации предназначен для частей конвейера, которые не являются наукой.

Что на самом деле изменило бы сюжет

Следующее событие, которое имеет значение, — не очередной релиз модели. А то, подхватит ли какая-нибудь лаборатория гипотезу DCTN1 и сообщит о результате: анализ транспорта холестерина в нейронах, модель синдрома Перри — что угодно, что проверяет перераспределение, а не синтез. Если кто-то это сделает и эффект подтвердится, этот препринт будет восприниматься как момент, когда связывание разрозненной литературы с атласом стало достаточно дешёвым, чтобы работать в масштабе всего мозга. Если никто не сделает, долговременный вклад — это метод и сравнение 711 против 11: наследие меньшее, но реальное, и такое, которое переносится на любой скрининг возмущений, уже имеющийся у лаборатории.

Пока что честное резюме — это резюме самих авторов: агенты превратили неожиданную транскрипционную сигнатуру в проверяемую идею, а эксперты-люди сочли эту идею достойной проверки. Это хорошая неделя для вычислительной биологии. Но это пока не хорошая неделя для пациентов, и именно в расстоянии между этими двумя предложениями большинство материалов об этом исследовании ошибётся.