OpenAI usa milhares de agentes de IA para analisar dados cerebrais em 32 minutos

Em parceria com a PerturbAI e a Scripps Research, a OpenAI dividiu a análise de um atlas genético de cérebro de camundongos entre milhares de agentes rodando em paralelo. O resultado interessa a quem projeta sistemas de agentes, não só a biólogos.

A OpenAI publicou, junto com a startup PerturbAI e o instituto Scripps Research, os resultados de um experimento que trata um problema comum a quem lida com dados em escala: como extrair sinal útil de um dataset grande demais para um time humano revisar inteiramente. O paper saiu no bioRxiv em 15 de outubro de 2026, e o caso é tratado pela OpenAI como prova de conceito de uma arquitetura de agentes que vai além do laboratório.

O problema de partida é concreto. Experimentos modernos de biologia permitem alterar milhares de genes e medir o efeito em milhões de células ao mesmo tempo, mas conectar esse volume de resultados ao conhecimento científico já publicado (espalhado em décadas de literatura) é um gargalo que nenhum time de pesquisadores resolve sozinho em tempo hábil. É o mesmo tipo de gargalo que aparece em qualquer pipeline que gera mais dado do que gente disponível para interpretar.

O experimento: um atlas de raciocínio em 32 minutos

O time usou milhares de agentes de IA↳Agentes de IA42 conteúdosOpera passa a integrar ChatGPT, Claude e outros agentes de IADev (Back & Front) · mar 2026Operações mais inteligentes, decisões mais rápidas: o impacto da IA agêntica na rotina de TIAI · abr 2026Adobe aposta em orquestração de agentes de IA: o que muda para devsDev (Back & Front) · abr 2026Ver tudo em AI → baseados em um modelo chamado GPT-Rosalind para processar um atlas CRISPR de cérebro inteiro de camundongos, publicado anteriormente pela Scripps Research e disponível no Hugging Face como perturbai/wholebrain_crispr_atlas. Esse atlas registra como a desativação de genes individuais altera o comportamento de diferentes tipos de célula no cérebro.

Cada agente recebeu uma perturbação genética específica, analisou a resposta celular associada, buscou artigos científicos relevantes e propôs uma explicação biológica para o padrão observado. Os relatórios de todos os agentes foram então combinados num único artefato, batizado de reasoning atlas, que liga genes, efeitos celulares, publicações citadas e mecanismos biológicos propostos.

Segundo a OpenAI, uma análise humana comparável, perturbação por perturbação, levaria de meses a um ano. Os agentes reproduziram achados que pesquisadores humanos já tinham validado e ainda levantaram pistas adicionais, com avaliações de novidade e relevância científica que bateram com o julgamento de especialistas em revisão cega.

Um experimento, dois desenhos de agente

A parte mais interessante do material, para quem constrói sistemas de agentes, não é a biologia: é um teste controlado que a própria equipe rodou para comparar duas arquiteturas, mantendo modelo e orçamento computacional fixos.

De um lado, um único agente recebeu o dataset inteiro e teve que processá-lo sozinho. Do outro, o trabalho foi fatiado entre milhares de agentes, cada um responsável por uma fração pequena do problema. O resultado foi assimétrico:

• O agente único, no maior volume de trabalho testado, citou apenas 11 referências da literatura científica.
• Os agentes distribuídos, trabalhando em paralelo sobre o mesmo volume, citaram mais de 700 referências no total.
• Em comparações cegas, especialistas humanos preferiram os relatórios dos agentes distribuídos em 75% dos casos.

A explicação é previsível para quem já tropeçou em limite de contexto: empilhar tudo num único agente degrada a profundidade de cada busca, porque o modelo precisa distribuir atenção entre mais sinal do que consegue aprofundar. Fatiar o problema em unidades menores, cada uma com contexto dedicado e uma pergunta de busca específica, preserva a profundidade de cada investigação individual, mesmo que o custo total de inferência suba.

Dois achados que mostram o valor prático

O material da OpenAI detalha dois exemplos de como esse processo gerou hipóteses concretas, não só estatística agregada.

Os agentes identificaram uma diferença inesperada entre os genes Tsc1 e Tsc2, que juntos regulam a via mTOR (importante no controle de crescimento celular e envelhecimento). Desativar qualquer um dos dois produzia efeitos parecidos em vários grupos de neurônios, mas no cerebelo, Tsc2 alterava a atividade de dezenas de genes ligados à comunicação neuronal enquanto Tsc1 quase não mudava nada. Isso bate com a observação clínica de que anormalidades no cerebelo em pacientes com esclerose tuberosa estão fortemente associadas a mutações em TSC2, não em TSC1. O achado dá aos pesquisadores um alvo celular mais específico para testar em laboratório.

O segundo exemplo envolve o gene DCTN1, cujas mutações causam a síndrome de Perry, uma doença neurodegenerativa com sintomas parecidos com os do Parkinson. Ao desativar Dctn1 no atlas, os agentes notaram aumento na expressão de genes ligados à produção de colesterol e conectaram essa observação com literatura sobre problemas de transporte de colesterol forçando a célula a produzir mais. Isso virou uma hipótese testável: será que a falha em DCTN1 muda a distribuição de colesterol dentro do neurônio, e será que corrigir essa distribuição protegeria a célula? Especialistas humanos consideraram a hipótese nova e relevante o suficiente para investigação futura.

Construímos atlas de células para que outros cientistas possam fazer descobertas que ainda não imaginamos. A IA pode ajudar mais pesquisadores a explorar esses recursos e transformar observações inesperadas em novas perguntas para testar.

We build cell atlases so that other scientists can make discoveries we haven't imagined yet. AI could help more researchers explore these resources and turn unexpected observations into new questions to test.Sarah Teichmann, Ph.D., titular da cátedra em Medicina de Células-Tronco na Universidade de Cambridge e co-presidente fundadora do Human Cell Atlas

O que generaliza para quem não trabalha com biologia

A arquitetura descrita pela OpenAI é, em essência, um padrão de fan-out e agregação: dividir um dataset grande em unidades atômicas, atribuir uma unidade por agente com uma ferramenta de busca disponível, e depois consolidar os relatórios individuais num artefato único e navegável. Não há nada nesse desenho específico de biologia molecular.

O mesmo padrão se aplica a qualquer cenário em que um time tenha mais dado do que capacidade de revisão manual: análise de logs de segurança, auditoria de código em um monorepo gigante, triagem de tickets de suporte, ou mineração de padrões em bases de dados de produto. A lição do teste de 11 contra 700 referências é a parte mais transferível: antes de aumentar o contexto de um único agente até o limite, vale testar se fatiar o problema em agentes menores, com escopo estreito e busca própria, produz resultado mais profundo pelo mesmo custo de inferência.

Às vezes as pistas já estão ali, espalhadas por campos diferentes, só não as conectamos ainda. A possível ligação entre função neuronal e metabolismo de colesterol mostra como essas peças, uma vez reunidas, podem nos dar uma nova forma de pensar a biologia da doença.

Sometimes the clues are already there, scattered across different fields—we just haven't connected them. The possible link between neuronal function and cholesterol metabolism shows how those pieces, once brought together, can give us a new way to think about disease biology.Tomasz Nowakowski, Ph.D., professor associado de neurocirurgia na UCSF

Onde está o código e o que fica em aberto

A OpenAI publicou o reasoning atlas resultante do experimento no repositório jinlabneurogenomics/distributed_agent, no GitHub, permitindo que outros pesquisadores comparem genes relacionados e investiguem respostas inesperadas sem repetir a análise do zero. O dataset bruto segue disponível em perturbai/wholebrain_crispr_atlas, no Hugging Face, e o paper completo está no bioRxiv.

O material não detalha o custo computacional de rodar milhares de agentes em paralelo nem quanto esse processo custou em chamadas de API, o que é uma lacuna relevante para quem for tentar reproduzir a abordagem em outro domínio: o ganho de qualidade mostrado (700 referências contra 11) não vem de graça, e decidir se vale o custo depende do volume de dado e da criticidade de cada falso positivo gerado pelos agentes.

Também fica claro que o papel final ainda é humano: a OpenAI é explícita em dizer que cientistas continuam no centro do processo de decisão, usando os agentes para priorizar experimentos, não para substituí-los. Para quem constrói pipelines parecidos fora da biologia, essa divisão de trabalho (máquina gera e prioriza hipóteses, humano valida e decide) é provavelmente o desenho mais seguro de se copiar, pelo menos até existir mais dado público sobre a taxa de falso positivo desses sistemas em produção.

Fonte 1: OpenAI News (https://openai.com/index/scaling-ai-research-for-complex-biological-data)

Title: Using thousands of AI agents to uncover new leads in biological data

URL Source: https://openai.com/index/scaling-ai-research-for-complex-biological-data

Markdown Content: What if scientists could uncover new clues about Alzheimer's and Parkinson's in minutes instead of months? Working together, OpenAI, PerturbAI⁠(opens in a new window), and Scripps Research⁠(opens in a new window) used thousands of AI agents powered by GPT‑Rosalind⁠(opens in a new window) to analyze and interpret existing experimental data from millions of mouse brain cells⁠(opens in a new window) in just 32 minutes.

The agents connected the effects of gene disruptions with findings from scientific literature, uncovering unexpected biological connections that can help scientists understand disease and identify research directions for new treatments. The work shows how AI can help researchers explore more of what large biological experiments reveal.

Modern experiments generate far more data than scientists can thoroughly investigate. Researchers can now alter thousands of genes and measure their effects across millions of cells. But understanding what these results mean for human disease requires connecting complex experimental findings with decades of scattered scientific knowledge. This is where AI can help scientists uncover promising leads that might otherwise be missed.

"We build cell atlases so that other scientists can make discoveries we haven't imagined yet. AI could help more researchers explore these resources and turn unexpected observations into new questions to test."

—Sarah Teichmann, Ph.D., Chair in Stem Cell Medicine at the University of Cambridge and founding co-chair of the Human Cell Atlas

The team divided the analysis among thousands of AI agents powered by GPT‑Rosalind, an approach we call distributed biological reasoning. The agents examined a whole-brain CRISPR atlas⁠(opens in a new window), a dataset showing how gene disruptions affect different types of cells across the mouse brain. Each agent investigated a gene disruption, analyzed cellular responses, searched scientific literature, and proposed explanations for the results. Their reports were combined into a reasoning atlas linking genes, cellular effects, relevant publications, and possible biological mechanisms.

The research team estimated that comparable human analysis and literature review, conducted one perturbation at a time, would take months to a year. The agents reproduced findings from human analyses while uncovering additional leads. Their assessments of novelty and scientific value also aligned with judgments from blinded human experts. These findings help prioritize further experiments needed to test the proposed biological mechanisms.

Some of these insights point to new leads for understanding brain disease. The agents identified unexpected differences in how two disease-linked genes affect brain cells differently, as well as a potential connection between cholesterol regulation and neurodegeneration. These findings could help scientists investigate how disease develops and where future treatments might intervene.

"Sometimes the clues are already there, scattered across different fields—we just haven't connected them. The possible link between neuronal function and cholesterol metabolism shows how those pieces, once brought together, can give us a new way to think about disease biology."

—Tomasz Nowakowski, Ph.D., associate professor of neurological surgery at UCSF

Researchers can begin exploring these findings today. The reasoning atlas is available⁠(opens in a new window), allowing scientists to compare related genes, investigate unexpected responses, and identify promising leads to pursue. New discoveries often emerge when researchers from different fields bring their expertise together and connect familiar ideas in unexpected ways. AI can significantly scale these connections by linking new data with knowledge scattered across disciplines. The opportunity goes beyond analyzing data faster. By combining AI with experimental biology, human expertise, and scientific literature, we can help scientists turn more of their data into testable ideas.

Big experiments, unexpected clues

Some of an experiment's most interesting clues lie outside the story scientists set out to investigate. In a dataset spanning thousands of perturbations, those clues can be easy to miss.

The agents identified an unexpected difference between Tsc1 and Tsc2, two genes that work together to control mTOR, a major regulator of cell growth, metabolism, and aging. Disrupting either gene had similar effects in several groups of neurons. But in the cerebellum, which helps coordinate movement, Tsc2 disruption altered the activity of dozens of genes involved in neuronal communication, while Tsc1 disruption produced little change.

That difference may be relevant to human disease. In people with tuberous sclerosis, abnormalities in the cerebellum are strongly linked to TSC2 mutations. While medicines that reduce mTOR activity can treat certain brain tumors and seizures, learning and behavioral difficulties associated with the disease remain challenging to address. The agents pinpointed a specific group of neurons and cellular changes worth investigating: which changes might existing medicines correct, and which might point to new treatment approaches? This gives researchers a more specific set of questions to test in the lab.

Divide the work, deepen the reasoning

Could a single agent given the entire dataset do just as well as thousands of agents working in parallel? We tested this while keeping the model and resources fixed. As the workload grew, the single agent searched less of the literature, citing only 11 references at the largest workload, while the distributed agents cited more than 700 references. Human experts also preferred the distributed-agent interpretations.

Scientists have limited time and often focus on the strongest signals in their data. Distributed agents can help examine a wider range of responses, including subtle or unexpected ones, and connect them with relevant scientific literature. Running the agents in parallel allows many perturbations to be investigated at once. This helps scientists explore more of what an experiment contains and identify promising leads that might otherwise be missed.

_At the largest workload, distributed agents cited more than 700 references, compared with 11 for a single agent._

Finding the next experiment worth doing

A finding becomes more valuable when it points to an experiment worth doing. The agents found one such lead in _DCTN1_, a gene whose mutations cause Perry syndrome, a neurodegenerative disease with Parkinson-like symptoms.

DCTN1 is involved in moving cargo inside neurons. In the whole-brain CRISPR atlas, disrupting Dctn1 increased the expression of genes involved in making cholesterol. The agents connected this observation with research suggesting that problems with cholesterol transport may cause cells to make more cholesterol. This raised a question for follow-up experiments: could DCTN1 disruption change how cholesterol is distributed within neurons, and could those changes contribute to neurodegeneration? If so, could restoring normal cholesterol distribution help protect neurons?

Human experts also considered this hypothesis novel, consequential and worth following up on. This example shows how connecting an unexpected result with existing knowledge can turn a clue into a testable idea, and potentially a new direction for treating disease.

In blinded comparisons, human experts preferred distributed-agent reports over single-agent reports 75% of the time.

Scientists remain at the center of discovery. By uncovering more promising leads, AI can help researchers decide which ideas to pursue, design experiments, and interpret results. The goal is to turn more of the information in biological experiments into knowledge that, over time, can help guide the development of better medicines.

Fonte: OpenAI News