分布式 AI 代理用于大规模生物实验数据的并行自动解读
Distributed AI agents enable comprehensive discovery of biological insights at scale
作者提出分布式生物推理框架，将大量 AI 代理并行分配到实验各维度并整合为整体解读，在全脑 Perturb-seq 图谱上以分钟级时间完成原本估计需数月的人工分析。在看不到源稿的条件下，代理恢复了原文结论、预测了留出扰动效应，并识别扰动间共享或相反的效应关系；盲评人类专家更偏好分布式代理的解读。DOI: 10.64898/2026.10.15.759436。
发生了什么
作者提出了一种'分布式生物学推理'方法，把成千上万个 AI agent 分配到实验的不同子任务上并行处理，再把各 agent 的发现合并用于整体解读。在一个全脑 Perturb-seq 图谱上，agent 几分钟就完成了原本估计需要数月的人工分析；在看不到源稿的情况下仍能复现论文结论、预测被留出测试的扰动效果，并找出效应强度上呈共有或相反关系的扰动对。文献检索层面，分布式 agent 模式比单 agent 模式多覆盖上百倍的参考文献；盲评中，受邀人工专家更偏好分布式 agent 给出的解读，并认同其对发现优先级的排序。
为什么重要
它把'大规模生物实验里分析与解读'这个瓶颈从人力时间换成了可横向扩展的计算时间，对体量越来越大的单细胞图谱、扰动筛选类研究影响最直接。该方法被直接套在 PerturbAI 开源的脑内 CRISPR 图谱上，公司披露与第三方描述均指出该图谱覆盖约 800 万个活体单细胞，是目前公开规模最大的脑内功能基因组学数据资源之一。论文作者同时来自 OpenAI 和 PerturbAI（含共同创始人 Grace XY Zheng 与 Xin Jin），把模型能力与领域数据绑在了同一篇方法学论文里，给'AI for biology'提供了一个可量化、可盲评对照的范式，而不止于定性宣称。
还缺什么
文稿是预印本，尚未显示同行评审结果，方法在不同实验室、不同扰动类型上的可重复性仍是未知数。材料没有披露运行所需的算力成本、agent 上限数量、推理过程的 token 与检索来源等细节，也没有给出在脑组织之外或非 CRISPR 场景下的表现。PerturbAI 自身的管线、融资、合作与许可安排在原文中没有出现，需进一步关注其商业化读出。
来源：bioRxiv Genomics · biorxiv.org