企业官网建设流程全解析

OpenAI 的研究人员参与了一次近两千个独立 Agent 的生物学分析，但“几分钟”需要先校准。2026年10月16日发布的这篇预印本，采用约32分钟的单靶点报告基准，未给出全流水线32分钟跑完的记录。

Scripps、OpenAI、PerturbAI 等团队共同署名，分析对象来自覆盖超过770万个细胞核、1,947个疾病相关基因的小鼠图谱。但 Agent 接收的是预计算的差异表达矩阵，“完整大脑”未覆盖全部基因或每个细胞，也不包含重新测序。

每个扰动交给独立 Agent，报告再进入恢复、预测与发现排序评估（图源：Sun 等，bioRxiv，2026）

32分钟，究竟从哪里开始计时？

补充方法把口径写得更细：24次独立单靶点任务的平均耗时为32.8分钟，中位数为31.6分钟。但这与“全部报告、修复、汇总和评估都在32分钟完成”，存在明显距离。

团队用这个单任务基准展示并行后的分钟级时间，还写明了40个进程、每进程30个任务的执行配置。但材料没有提供整条流水线32分钟跑完的墙钟记录。32分钟首先是特定任务的时间标尺。

作者展示的时间与成本对照；约32分钟依据单靶点基准，人工曲线来自假设估算（图源：Sun 等，bioRxiv，2026）

人工一侧也需要拆开。作者假设每个扰动解释15分钟、每篇来源阅读10分钟，再估算总工时。但这没有组织真人团队跑同一场竞赛，“数月到一年”应当理解为工作量示意，不能直接拿来算实测速比。

任务数量则可以对上：1,946个非对照扰动，加100个安全靶向对照，共2,046个报告任务，覆盖23类神经元。但单份报告仍只是一个入口：把变化、文献、局限和后续实验放在一起，等待跨报告综合。

Psmb4 单靶点报告中的发现与证据，覆盖细胞类型、转录程序及相关扰动（图源：Sun 等，bioRxiv，2026；原图局部裁剪）

同一个模型，为什么要拆成数千个 Agent？

可以把它想成分组查档案：每人负责一个基因，再交回统一格式的记录。但这些 Agent 使用同一个 GPT-Rosalind 5.5，并非数千种新模型。报告之间不共享对话状态，之后再把证据连成网络。

研究者让单 Agent 承担从1到893个扰动的递增工作量。到893个时，单 Agent 引用11条来源，分布式报告保留的引用约为其711倍。但同模型、提示和工具，不等于相同总计算预算；这更接近扩展性演示。

工作量增加后，单 Agent 的引用覆盖趋于饱和，分布式报告维持靶点级检索（图源：Sun 等，bioRxiv，2026）

全体报告累计记录39,185次来源访问、16,445个引用。但同一来源被不同报告使用，会分别计数；成功打开的来源还可能只是元数据。引用变多，说明检索覆盖扩大，不能自动换算成科学判断更可靠。

在1,519条经分类的发现中，27.6%获直接文献支持，41.9%属于机制推断，6.6%与文献预期冲突，23.8%未检到先例。但“没检到”不能写成“首次发现”；推断标签也不能冒充直接证据。

文献关系四类标签与逐报告来源统计；跨报告重复来源会再次计数（图源：Sun 等，bioRxiv，2026）

遮住原论文，能找回多少答案？

团队没有把原研究稿件及结论交给 Agent。据方法说明，模型声明的知识截止时间为2025年12月，早于原研究2026年3月公开。但这仍无法独立证明不存在任何信息泄漏，测试边界需要保留。

在55项能从差异表达输入直接检验的结论中，Agent 找回或细化48项，占87.3%；算上部分找回的4项，达到94.5%。但分母不能换成全部71项，评分也是先由 Agent 判定，再由作者人工复核。

原研究结论恢复情况；55项可由输入直接检验，不能与全部71项混作分母（图源：Sun 等，bioRxiv，2026）

另一项测试更接近预测：给它1,674个扰动作参照，留出272个，预测特定丘脑神经元里的差异表达基因数量。但这项任务没有要求生成完整转录组，也没有测试换一个物种或实验体系后的表现。

Agent 判断有无响应的平衡准确率为0.705，即综合衡量两类识别能力。但100个实际有响应的扰动，只识别出59个，漏掉41个。“比基线更好”值得报道，“已经读懂所有扰动”则明显越界。

留出272个扰动后的响应预测：预测对象是差异表达基因数量及是否有响应（图源：Sun 等，bioRxiv，2026）

错误也能提示新的解释。比如，Agent 预期 Pomp、Thoc2 扰动带来强烈转录变化，但采回的细胞里没有显著差异表达。这些靶点同时对应较强的细胞耗竭，说明只看留在样本里的细胞，可能错过最重的损伤。

这像只询问仍然留在教室里的学生，判断整场考试是否顺利。但细胞减少也可能涉及身份变化或采样，不能直接等同死亡。Agent 在这里提供了需要验证的解释，实验上的因果缺口仍然存在。

部分被高估的转录响应对应较强细胞耗竭，提醒读者注意幸存细胞偏差（图源：Sun 等，bioRxiv，2026）

数千份报告之后，谁来决定下一步？

单份报告完成后，团队把发现、基因、细胞类型和文献组织成知识图谱，综合出3,397条去重后的关系发现。但这些数量还没有回答一个更贵的问题：哪些线索值得安排下一轮实验？

因此，系统分别评价证据支持、新颖性和后续价值，把更值得追踪的关系送到人面前。但优先级分数是筛选规则，不是机制成立的概率。它的作用更接近研究排程，不能替代验证本身。

从单靶点报告连接成知识图谱，保留基因、细胞背景、文献与解释之间的关系（图源：Sun 等，bioRxiv，2026）

例如，Setdb1 和 Ehmt1 都参与同一类染色质修饰，但它们在相应细胞中的扰动结果并不一样。Setdb1 之后出现更明显的原钙黏蛋白及相关转录变化，提醒研究者别把共享功能标签当作相同表型。

另一组 Atxn1 与 Cic 则显示趋同：在177个共同差异基因上，效应相关系数达到0.98。但两者已有复合物关系，亮点在于把这一联系定位到图谱里的具体响应；计算复核仍未完成新的机制实验。

Setdb1–Ehmt1 的差异与 Atxn1–Cic 的趋同；原数据计算复核不等于新机制实验验证（图源：Sun 等，bioRxiv，2026）

团队又请30位博士层次专家盲评60份报告。在20组配对、每组3人评价的60次判断中，45次偏好分布式解读，10次偏好单 Agent，5次打平。但75%是判断次数的占比，不能说成75%的科学家认定发现成立。

专家评分也跟随 Agent 排名变化：高、中、低组综合均分分别为3.14、2.75、2.63。但最稳定拉开距离的是后续研究价值，证据支持与信心的分离没有那么明显。这更支持它做线索分流。

30位博士层次专家参与盲评；60次配对判断中45次偏好分布式解读（图源：Sun 等，bioRxiv，2026；原图区域并排）

具体来看，Dctn1 扰动后的甾醇合成上调，获得4.3/5的后续研究评分；熟悉的 Apc–Wnt 解释则证据较强、新颖性较低。但前者关于运输受损后发生补偿的解释，仍是待检验假说。

作者公开了分析代码与报告，便于继续检查；但这仍是一项围绕同一图谱展开的预印本研究，尚缺独立数据与前瞻实验。真正的下一关，是让排在前面的假说在新实验中胜出。如果实验名额有限，研究者会先押哪一条？

专家区分新颖性、证据与后续价值：Dctn1 线索和熟悉的 Apc–Wnt 解释获得不同评价（图源：Sun 等，bioRxiv，2026；原图区域并排）