OpenAI 联合 PerturbAI 用 2000 个智能体 32 分钟解析小鼠全脑图谱

OpenAI 与 PerturbAI、斯克里普斯研究所（Scripps Research）合作，用近 2000 个 GPT-Rosalind 智能体并行分析小鼠全脑 CRISPR 图谱，只花了 32 分钟就完成全部解读，并给出 Tsc1/Tsc2 在小脑的功能分歧、DCTN1 与胆固醇运输的关联两条可实验检验的线索。一句话结论：这套分布式生物推理框架真正的突破体现在文献检索覆盖面被从 11 篇拉到 700 篇以上，让机器的假说生成速度追上了实验验证的节奏。

32 分钟跑完人类团队要数月到一年的分析

2026 年 10 月 21 日，OpenAI 官方博客发布了这套被称为 distributed biological reasoning（分布式生物推理）的方法。合作方是生物技术公司 PerturbAI 与斯克里普斯研究所，底座模型是 OpenAI 面向生命科学的 GPT-Rosalind。

分析对象是 PerturbAI 今年 3 月公布的全脑 CRISPR 图谱，记录了数千种基因扰动对不同类型小鼠脑细胞的影响，覆盖数百万个脑细胞。每个智能体负责调查一种基因扰动：先读实验数据里的细胞响应，再检索科学文献找对应机制，最后把链条交回汇总层。全部智能体的报告被合并成一张 reasoning atlas（推理图谱），把基因、细胞效应、相关文献和可能的生物学机制串在一起，供科学家决定追哪条线索、怎么设计实验、怎么解释结果。

PerturbAI 自己的估算是，同样的分析与文献审阅若由人类串行完成需要数月到一年。这个对比出自公司自身口径，没有与人类团队做同期对照实验，应当读作量级参考而非精度结论。

核心对比：单智能体 11 篇文献，分布式 700 篇

官方刻意做了一组对照实验。在模型和资源固定的条件下，研究团队测试单个智能体直接吃下整个数据集能否达到同等效果。结果是随着工作量上升，单个智能体检索的文献越来越少，在最大工作量下只引用了 11 篇；分布式智能体引用超过 700 篇。人类专家在盲评中有 75% 的时候更偏好多智能体系统的解释。

这组数字解释了分布式架构的收益机制。单个智能体的瓶颈出现在上下文容量上，也就是能塞进多少检索到的文献。把它拆成上千个并行单元之后，每个单元只背一个基因扰动的文献子集，汇总层负责把子集重新拼回全局。文献覆盖从 11 篇到 700 篇的跨越，本质上是并行带来的上下文扩展。

六步流程拆解：智能体到底在干什么

把官方描述的流程拆成可复现的六步，对想复用这套思路的研究者更有用。

第一步是读取大型实验数据，用的是覆盖数百万小鼠脑细胞的全脑 CRISPR 图谱，包含数千种扰动。第二步是按扰动拆任务，每个智能体认领一种基因破坏。第三步是分析细胞响应，找出受影响的通路与基因表达变化。第四步是检索文献，把实验观察和已有研究对应起来。第五步是提出可能的生物学机制，形成可被实验否证的假说。第六步是汇总成推理图谱，交给人类专家按新颖性、证据支持程度、后续研究优先级和置信度四个维度打分。

值得注意的是第四步。文献检索被单独拆成一个可度量的环节，检索量本身成了实验指标而非副产品。这也是为什么单智能体与分布式的差距会体现在引用篇数上，而非最终报告的措辞上。

两个具体发现：Tsc1 与 Tsc2 的脑区分歧

第一个发现来自结节性硬化症相关的 Tsc1 与 Tsc2。这两个基因共同调控 mTOR 通路，而 mTOR 控制细胞生长、代谢与衰老。在若干类别的神经元中，破坏 Tsc1 或 Tsc2 会产生相似影响。但在小脑这个负责运动协调的脑区，情况明显不同：Tsc2 破坏改变了数十个与神经元通信有关的基因活性，Tsc1 破坏几乎没有产生变化。

这个差异有临床对应关系。人类结节性硬化症患者的小脑异常与 TSC2 突变存在强关联，降低 mTOR 活性的药物可以治疗脑肿瘤和癫痫，但患者的学习困难与行为困难仍难以处理。智能体在此基础上继续定位出值得研究的内容：具体是哪几类神经元、具体是哪些细胞变化、哪些变化可能被现有药物纠正、哪些变化指向新的治疗路径。

DCTN1 与胆固醇：被串起来的跨领域线索

第二个发现围绕 DCTN1。它的突变会导致 Perry 综合征，这是一种带类帕金森症状的神经退行性疾病，已知功能是参与神经元内货物的运输。在全脑 CRISPR 图谱里，破坏 Dctn1 后，与胆固醇合成有关的基因表达增加。

智能体把这个观察和另一条独立研究线索连了起来：胆固醇运输问题可能导致细胞制造更多胆固醇。由此形成三个可检验的问题。DCTN1 破坏是否会改变神经元内胆固醇的分布，这些变化是否会促成神经退行性疾病，以及恢复正常的胆固醇分布能否保护神经元。UCSF 神经外科副教授 Tomasz Nowakowski 的评价是，线索常常已经存在，只是散落在不同领域，尚未被连接起来。剑桥大学干细胞医学讲席教授、人类细胞图谱创始联席主席 Sarah Teichmann 则把 cell atlas 的价值定位在让更多研究者去挖掘尚未想象的发现。

这类跨领域连接正是单智能体最难完成的活。判断胆固醇合成基因上调和神经元退行性疾病之间的关系，需要同时掌握细胞图谱数据和脂质转运文献，串行阅读的智能体很容易在其中一个方向上耗尽注意力。分布式架构让这条连接在两个子任务的结果汇合时自然出现。

75% 的偏好不等于 75% 的准确率

这里需要把话说清楚。75% 是专家在盲评中对报告解释的偏好比例，反映的是可读性与说服力，不等于研究结论的准确率，也不是复现成功率。官方披露的当前阶段主要是数据解读与研究假说生成，所提线索仍需后续实验验证。reasoning atlas 已通过 GitHub 公开，研究者可以自行比较相关基因、追查意外响应、挑选值得推进的线索。

官方也留了一条明确的边界：推理图谱目前覆盖的是数据解读与假说生成环节，尚未宣称完成新药靶点的实验验证。后续的活体系统因果生物学数据验证仍在计划中。读这篇报道时，把「32 分钟产出假说」和「假说被证实」当成两件事，是理解这类成果的必要前提。

与其它 AI 科研路线的横向对照

把这条路线放回 2026 年的 AI 科研版图看，它与其它几类做法有明显区别。OpenAI 此前与 GPT-6-Astra 协作攻克物理研究基准 TheoPhysEval 达到 98%，走的是单个模型在单个学科纵深方向上的极限精度路线，成果形态是可验证的物理推论。Anthropic 用 Claude 在 64 小时内设计出 31.8 万个抗蝎毒蛋白候选、211 个送测 17 个达标，走的是结构设计与湿实验闭环路线，成果形态是可合成分子。GPT-6-Astra 联手数学家证明 57 年未解的圆盘装箱问题，成果形态是可审阅的严格证明。

分布式生物推理是第四条路：放弃单点深度，用并行广度换取假说生成的吞吐量。它给实验科学家提供了一个覆盖面足够宽的候选假说池，把瓶颈从「想不出该做什么实验」转移到「验证排队」。

接下来的验证清单

官方列出的后续实验集中在两条线上。Tsc1/Tsc2 方向要验证小脑中不同神经元类别的具体细胞变化，判断哪些变化可被降低 mTOR 活性的现有药物纠正，并探索是否需要新的治疗路径。DCTN1 方向要测试破坏 DCTN1 是否改变神经元内胆固醇分布，检验该变化是否导致神经退行性疾病，并测试恢复正常分布能否保护神经元。

更长期的目标是把更多大型生物实验产生的数据转成可检验的想法，帮科学家排序实验、设计实验、解读实验。这套「排序、设计、解读」的三段式分工，与 GPT-6-Astra 在物理基准上的定位不同，更像是一个常驻的科研流程工位。论文已在 bioRxiv 公开，编号 2026.10.15.759436v1，推理图谱的代码与资源在 jinlabneurogenomics/distributed_agent 仓库开放。

常见问题

这套系统分析的是人体数据还是小鼠数据？

分析对象是小鼠全脑 CRISPR 图谱，数据来自 PerturbAI 今年 3 月公布的图谱，覆盖约 800 万个细胞与数千种基因扰动。人体层面的结论目前只到关联层面，例如人类结节性硬化症患者的小脑异常与 TSC2 突变的强关联属于既有研究，AI 在其中负责的是定位具体细胞与基因变化。

2000 个智能体是同时跑的吗？单智能体差在哪？

是并行跑。差距主要在文献检索覆盖面：最大工作量下单智能体只引用 11 篇文献，分布式系统引用超过 700 篇。官方在模型和资源固定的条件下做了对照测试，专家盲评有 75% 的时候更偏好分布式系统的解释。

reasoning atlas 现在能用吗？是否已经产生药物靶点？

推理图谱已公开在 GitHub，研究者可以立即使用做基因比较和线索筛选。但当前阶段是数据解读与假说生成，尚未完成活体系统验证，不能视为已确认的新药靶点。

小结

这次合作把 AI 参与科研的一个长期瓶颈摊到了台面上：模型不缺推理能力，缺的是能同时装下几百篇文献的上下文。PerturbAI 与 OpenAI 的做法是把这个问题拆散，用近 2000 个并行单元换取检索覆盖面，再把结果重新拼成一张可操作的图谱。32 分钟和 700 篇文献是这套分工方式的量化结果。至于 Tsc1 与 Tsc2 在小脑的分歧，以及 DCTN1 与胆固醇运输的连接能否变成药物，答案要等后续的活体实验。