Un equipo de OpenAI, PerturbAI y Scripps Research puso 1.946 agentes de IA en biología a revisar en paralelo un atlas de células cerebrales de ratón. En 32 minutos, los agentes produjeron lo que llaman un «atlas de razonamiento»: un cruce entre genes alterados, efectos sobre las células, literatura científica y posibles mecanismos. El trabajo quedó como preprint, sin revisión por pares: otros científicos todavía no lo evaluaron.
De acuerdo con el anuncio que OpenAI publicó el 21 de octubre, cada agente investigó la alteración de un gen, analizó la respuesta celular, buscó en la literatura y propuso una explicación. Después el sistema reunió los informes en un solo mapa. La idea tiene nombre: razonamiento biológico distribuido.
Qué hacen 1.946 agentes de IA en biología
El punto de partida es un experimento de Perturb-seq de cerebro completo. La técnica apaga un gen por vez en células y mide qué cambia en su actividad. Aplicada a millones de células de ratón, produce un volumen de observaciones que ningún equipo alcanza a leer con detalle. El cuello de botella se mudó del experimento a la interpretación.
Ahí entra el enjambre. Cada agente recibe una alteración genética y las mediciones asociadas. Busca en la literatura, propone un mecanismo y escribe un informe. El sistema reúne los informes y ordena los hallazgos por novedad y valor para la investigación. También señala qué experimentos conviene hacer después.
La escala es la novedad. Un equipo humano reparte su atención entre pocas alteraciones y suele quedarse con las señales más fuertes. Casi 2.000 agentes con la misma instrucción y las mismas herramientas recorren el catálogo completo y dejan registro de lo que encontró cada uno. La comparación entre informes funciona porque todos trabajan con el mismo formato.
Dos resultados sirven de ejemplo. Los agentes vieron que la alteración de Tsc1 y la de Tsc2, dos genes que participan en la misma ruta celular, producen efectos distintos en el cerebelo. Esa diferencia importa en la esclerosis tuberosa, donde las alteraciones del cerebelo se asocian sobre todo a mutaciones de TSC2. En el otro caso, la alteración de DCTN1, vinculada al síndrome de Perry, subió la actividad de genes que fabrican colesterol. De ahí salió una pregunta sobre el transporte de colesterol dentro de las neuronas y su relación con la neurodegeneración.
Lo que la revisión ciega midió y lo que falta
El equipo comparó el enjambre con un solo agente, usando el mismo modelo, las mismas herramientas y los mismos datos. Con la tarea más grande, el agente único citó 11 referencias; los agentes distribuidos, más de 700. También hubo una revisión a ciegas, sin que los evaluadores supieran qué informe venía de qué sistema, con 30 biólogos con doctorado: prefirieron los informes distribuidos el 75 % de las veces.
Sin acceso al manuscrito original del atlas, los agentes recuperaron o afinaron 48 de los 55 hallazgos que podían extraerse de los datos que recibieron. Ese detalle sostiene la parte más interesante del experimento: el sistema reconstruyó lo que los humanos ya habían visto y añadió conexiones nuevas.
Los límites son claros. El cálculo de «meses o un año» de análisis humano es una estimación de los autores, construida con supuestos de 15 minutos por gen y 10 minutos por artículo. Los hallazgos son hipótesis ordenadas, no biología confirmada: ninguno pasó todavía por el laboratorio. Y GPT-Rosalind es un modelo cerrado —no se puede descargar ni examinar por dentro—, así que otro equipo no puede repetir el ejercicio con las mismas piezas.
Aun así, el código y el atlas están publicados. La propuesta es un ciclo: un experimento genera datos, los agentes los interpretan y los modelos señalan qué medir después. En ese ciclo, la decisión de qué hipótesis vale la pena probar sigue en manos de los científicos.
Otras fuentes consultadas: OpenAI (21/10/2026) · bioRxiv (15/10/2026) · PR Newswire / PerturbAI (21/10/2026) · R&D World (21/10/2026) · The Decoder (21/10/2026).
