OpenAI lanzó miles de agentes sobre un atlas del cerebro de ratón. En 32 minutos dieron hipótesis y el laboratorio aún debe confirmarlas

OpenAI, PerturbAI y Scripps Research pusieron a miles de agentes con GPT-Rosalind a revisar datos ya existentes de millones de células cerebrales de ratón. En 32 minutos salió un mapa de hipótesis que, según la estimación del equipo, a un grupo humano le llevaría de meses a un año. Lo interesante es cómo se repartió el trabajo, porque ningún laboratorio ha confirmado todavía las nuevas pistas.

Cada agente recibió una perturbación genética y rastreó la literatura

Los datos proceden de un atlas CRISPR de cerebro completo, que muestra cómo la desactivación de genes concretos cambia distintos tipos de células del cerebro del ratón. El equipo asignó a cada agente una perturbación genética. El agente revisaba la respuesta celular, buscaba en la literatura científica y proponía una explicación. Los informes se unieron después en un reasoning atlas que conecta genes, efectos celulares, publicaciones y posibles mecanismos biológicos. OpenAI llama a este enfoque distributed biological reasoning.

Según OpenAI, los agentes reprodujeron conclusiones a las que ya habían llegado personas y añadieron nuevas pistas. Una afecta a Tsc1 y Tsc2, dos genes que controlan juntos la vía mTOR. En el cerebelo, alterar Tsc2 cambió la actividad de decenas de genes de comunicación neuronal, mientras que Tsc1 apenas produjo cambios. Otra pista apunta a DCTN1, cuyas mutaciones causan el síndrome de Perry, una enfermedad con síntomas parecidos al párkinson. Su desactivación aumentó la actividad de genes de síntesis de colesterol, y los agentes plantearon si un fallo en el transporte de colesterol contribuye a la neurodegeneración.

El estudio se publicó el 16 de octubre como preprint en bioRxiv y no ha pasado revisión por pares. Seis autores trabajan para OpenAI y dos para PerturbAI. El reasoning atlas está publicado en GitHub y el conjunto de datos, en Hugging Face.

Muchos agentes leen más literatura que uno sobrecargado

La comparación más útil del trabajo enfrenta a un agente con miles. El equipo dio al mismo modelo, con los mismos recursos, todo el conjunto de datos de una vez. Cuanto más trabajo recibía, menos literatura buscaba. Con la carga máxima citó 11 referencias, frente a más de 700 de los agentes distribuidos. En comparaciones a ciegas, los expertos prefirieron los informes distribuidos el 75 % de las veces.

Para los laboratorios con grandes cribados es una lección práctica. Un único agente con un encargo gigantesco empieza a recortar. Las tareas pequeñas y acotadas pueden ejecutarse en paralelo y combinarse después. Los equipos de desarrollo conocen el mismo patrón por los subagentes, y es probable que se extienda a cualquier campo donde los datos crecen más rápido que el número de personas que los leen.

Hay además una capa comercial. En las últimas semanas OpenAI ha construido una cartera alrededor de la línea Rosalind: un programa académico con acceso selectivo y la compra de la startup Orchestra Bio. El estudio del atlas cerebral muestra para qué quiere que sirva el modelo en la práctica.

Los 32 minutos se comparan con una estimación, no con un equipo humano

Las cifras necesitan contexto. Lo de «meses a un año» es la estimación del equipo para un análisis humano perturbación por perturbación. Ningún equipo humano trabajó en paralelo con los agentes. La preferencia del 75 % compara dos configuraciones del mismo modelo, no el modelo frente a científicos. Y que los agentes coincidan con los expertos indica que las hipótesis parecen razonables y novedosas. No que sean ciertas.

El anuncio tampoco dice cuánta capacidad de cómputo consumieron miles de agentes en paralelo. Además, GPT-Rosalind no es un modelo de acceso general: OpenAI solo lo abre a organizaciones y laboratorios seleccionados. Quien quiera repetir el método con sus propios datos, de momento necesita invitación.

Lo decidirá un experimento con colesterol en neuronas

El método lo confirmará o lo hundirá el primer laboratorio que tome una hipótesis concreta y la ponga a prueba. La pista de DCTN1 es la candidata natural. Si la distribución del colesterol en las neuronas cambia de verdad, el mapa construido por agentes tendrá su primera confirmación sólida.

La segunda señal será la revisión por pares y si grupos sin vínculos con OpenAI adoptan el método. El atlas y los datos públicos lo permiten. El modelo cerrado, por ahora, no tanto.

El veredicto de Lilith

En media hora, miles de agentes reunieron más de setecientas citas y una lista de genes sospechosos sobre el cerebro del ratón. Ahora entra el posdoc con la pipeta, que tiene que averiguar si el colesterol de verdad se extravía en las neuronas o si los agentes solo lo leyeron.