1946个 AI agent，32分钟读完一张全脑 CRISPR 图谱：它们不只知道已发表的结论，还指出了下一个值得做的实验

先从一个反常现象说起。

Tsc1 和 Tsc2 是一对搭档基因，共同看管细胞的"总开关"mTOR。在大多数神经元里，破坏它们中的任何一个，细胞反应几乎一样。唯独在小脑，反了：破坏 Tsc2，几十个与神经通讯相关的基因活性剧变；破坏 Tsc1，纹丝不动。

这不是无关紧要的细节。结节性硬化症（tuberous sclerosis）患者的小脑异常，恰恰和 TSC2 突变强相关。现有的 mTOR 抑制类药物能治部分脑瘤和癫痫，但疾病带来的学习和行为障碍，至今没有解法。"小脑里这两个基因为什么走岔了"，就是一块可能通向新疗法的路标。

问题是：这类反常信号，藏在一座数据山里。2026 年 3 月发布的全脑 in vivo Perturb-seq 图谱，覆盖 1,946 个基因扰动、数百万个小鼠脑细胞——按人类专家 15 分钟分析一个扰动、每篇文献再花 10 分钟的速度，逐个点名分析加文献综述，要数月到一年。

OpenAI、Scripps Research 和 PerturbAI 三方合作的这篇新论文，把这座山在 32 分钟里翻完了。方法一句话就能说完：一个基因派一个 AI agent。1,946 个 agent 并行开工，每个 agent 拿到自己那个扰动的细胞类型分辨转录组变化、实验背景、一套分析工具和文献检索权限，独立写出结构化报告——发现、定量证据、生物学解释、参考文献、局限性、下一步实验建议。所有报告再汇成一张"推理图谱"（reasoning atlas）。

最狠的一个设计是：原论文的结论被刻意扣下不给 agent。agent 的模型用的是 GPT-Rosalind（Rosalind-5.5），知识截止 2025 年 12 月，而源论文发布于 2026 年 3 月。复现全靠数据本身。

▲ 分布式生物推理框架：1,946 个扰动各派一个 agent，产出报告后统一评估与合成（图源：原文 Fig 1，下同）

一、不看答案，先交卷：复现了 87%，还多找出几块拼图

原论文（Shi et al.）从数据里直接推导出的发现共 55 条。agent 不看原文，独立命中或精化了 48 条（87.3%），其中 35 条完全匹配。把间接相关的人类发现算进来，71 条里覆盖了 57 条。

举两个例子感受质量。Psmb4 扰动的报告覆盖了 20 个神经元类别中的 18 个，最多一个类型里揪出 2,489 个差异表达基因，并把它和 Pomp、Psmc1、Psmc5 这几个蛋白酶体扰动串成了同一表型网络——这些对应关系与人类分析一致。丘脑兴奋性神经元里，SWI/SNF 染色质重塑复合体扰动后突触与兴奋性基因被压制，agent 也独立复现了。

更值钱的在 F 列：agent 给出了原论文没覆盖的补充分析——蛋白酶体扰动后的代偿反应、Smarcb1/Smarcc2 扰动后的重塑与维持基因诱导、Grin2a 和 Grin2b 之间 47 个基因签名上的对抗效应。这些不是抄答案抄出来的，是数据里本来就有、但人类团队没来得及展开讲的信号。

二、单 agent 干 893 个活会怎样？引用文献从 7000 篇掉到 11 篇

论文里最有实验设计味道的一组对照，是拿"一个 agent 干所有活"来压"分布式"。同一个模型、同一套提示词、同样的工具和检索权限，唯一变量是工作量：让单个 agent 依次处理 1 个、3 个、10 个……直到 893 个扰动。

结果触目惊心。893 个扰动的最大负载下，单 agent 的终版报告里只剩 11 篇参考文献；而分布式 agent 保留了 711 倍于此的引用（约 7,800 篇）。随工作量增加，单 agent 的输出里"没有检索到相关文献"的旗标占比一路飙升——不是没文献可查，是它的注意力被耗尽了。

对比一下全程数据：1,946 个并行 agent 累计读了 39,185 篇文献，保留引用 16,445 条，中位数是每个扰动读 19 篇、引 8 篇。总耗时 32 分钟。折算成人类专家（按 $22/小时、15 分钟一个扰动估算），同样规模的串行分析加文献综述要数月到一年，人力成本约 18 万美元。

▲ 左：1,519 条发现按文献支持分四类（420 条一致 / 636 条机制可推 / 101 条矛盾 / 362 条无先例）；右：随工作量增长，单 agent 文献引用崩塌，分布式 agent 保持覆盖

这套"文献裁判"机制本身就是个发现发生器。1,519 条高置信发现被打上四类标签：一致（27.6%，有直接文献支持）、可推（41.9%，有机制支撑但无直接匹配观察）、矛盾（6.6%，与文献预期冲突）、无先例（23.8%，没检索到相关前作）。"矛盾"标签尤其值钱——它往往指向跨物种、跨细胞类型的知识迁移失败。比如 Wdr26 的扰动表型神似 Tsc2，agent 按成纤维细胞里 GID 泛素连接酶抑制 mTORC1 的文献预测 Wdr26 缺失应降低 mTOR 活性，但数据显示相反方向。人工核查发现，GID 不同亚基功能不同、且已有后续研究证明 Wdr26 缺失并不抑制 mTORC1——agent 的"错误"恰好暴露了文献本身的过度外推。

为了验证这套标签不是装饰，团队做了身份洗牌检验：保持转录特征不变、随机重新分配扰动身份。结果"一致"标签从 29.3% 掉到 13.2%（库内洗牌）和 6.1%（库外洗牌），"无先例"标签相应上升——说明判标签确实在对"扰动-表型一致性"敏感，而不是见啥说啥。

而开头那个小脑之谜，agent 给出的版本是：Tsc2 扰动在小脑 GABA 能神经元里制造 83 个差异表达基因，冲击突触和钙信号；Tsc1 扰动则是零。它不仅发现了这个现象，还把它和结节性硬化症的临床观察、以及"现有 mTOR 药物到底能纠正哪些变化"这类可验证问题挂上了钩。

三、不只看过的，没做过的也能预测

第二个实验更狠：把 1,946 个扰动切成 1,674 个训练集 + 272 个留出集。agent 只凭训练集数据和生物学知识，预测留出扰动在丘脑谷氨酸能神经元里会引发多少个差异表达基因（包括"预测零响应"）。

结果：平衡准确率 0.705，跑赢响应分布基线和 STRING 物理互作邻居基线。172 个真实零响应里正确识别 142 个（82%）；272 个留出扰动中，59 个响应被正确预测、142 个非响应被正确预测。预测 520 vs 实测 624 的 Psmc5、180 vs 130 的 Fus，量级都踩在合理区间。

▲ 留出预测：训练 1,674 个扰动，预测 272 个未见扰动的显著基因数变化；四类结果 59 命中 / 41 漏报 / 30 虚报 / 142 正确零响应

两个失败案例反而最能说明 agent 的推理深度。Naa20 被预测零响应、实际有 1,327 个差异基因——因为训练集里没有合格的 STRING 邻居可参考，agent 的信息网断了。Nup93 被正确预测零响应，理由极其生物学：核孔支架蛋白是大脑里寿命最长的蛋白之一，Cas9 编辑到取样间隔 21-28 天，预先存在的核孔支架可能还在硬撑，把转录后果缓冲掉了。这不是查表能查出来的，是对实验时程和蛋白寿命的常识推理。

虚报组同样诚实披露：Pomp、Thoc2、Pafah1b1 被预测强响应、实际零观测——但它们的独立实测细胞耗竭排名靠前。agent 因此反向推理：这些扰动可能让细胞强烈耗竭，存活的被测细胞反而是"幸存者"，把真实响应从数据里抹掉了。团队进一步让 agent 仅凭转录证据预测哪些扰动最耗竭丘脑神经元——预测与实测耗竭显著相关。也就是说，agent 不仅读数据，还能意识到数据本身的取样偏差。

四、3397 条发现怎么排优先级？30 位博士盲评投了票

最后一道工序是把 1,946 份报告压成知识图谱，抽出 3,397 条去重的关系型发现，按新颖性、证据强度、可跟进性打分排序。问题随之而来：这个 AI 排出的优先级，人类认不认？

团队招募了 30 位博士级生物专家做盲评：60 份报告（高分 20、中分 10、低分 10 的分布式报告 + 20 份单 agent 报告），每人评 6 份，打分维度包括新颖性、证据支持、跟进优先级。结果有两层。

第一层，agent 的排名和人类判断高度一致：人类综合分随 agent 排名档位单调下降（3.14 / 2.75 / 2.63）；相关性上，新颖性 rho=0.61、跟进优先级 rho=0.56、证据支持 rho=0.49。

第二层，二选一对决里，75% 的评判偏好分布式 agent 的解读（60 次判断中 45 次），单 agent 只赢了 10 次（16.7%）。

▲ 知识图谱合成与盲评：左为按主题组织的发现图谱，右下为人类评分与 agent 排名的对齐及 75% 偏好率

两个对照案例把这套打分逻辑展示得很清楚。Dctn1 扰动上调神经元甾醇合成基因——DCTN1 参与细胞内运输和胆固醇敏感的内涵体定位，其突变导致 Perry 综合征（帕金森样神经退行性疾病）。agent 据此提出：胆固醇运输受阻可能触发神经元的代偿性合成程序。人类专家给这条发现的跟进优先级打了 4.3/5，评价为新颖、重要、值得跟进。而 Apc-Wnt 这种教科书级的经典通路解读，证据分 4/5 但新颖性只有 1.5/5、优先级 2/5。agent 的合成把"确定但没新意"和"新且可行动"分开了——这正是人类专家最需要的队列：不是让人看 3,397 条，而是先看顶上的 218 条。

全部产物已经开放：推理图谱和分析管线在 GitHub（jinlabneurogenomics/distributed_agent），数据集在 Hugging Face 和 UCSC Cell Browser，原始 agent 报告 JSONL 在 Zenodo。任何人今天就能拿它查基因、追线索。

五、我的几点想法

第一，这项研究真正确立的不是"AI 能分析生物数据"——这早已不是新闻——而是一个关于 agent 的规模法则：单 agent 的注意力是稀缺资源，随任务量线性稀释；分布式把稀缺性变成了可并行采购的商品。893 个扰动从 7,800 篇引用掉到 11 篇，这不是能力问题，是架构问题。这个 711× 的崩塌曲线，对所有想把一个 agent 当万能分析师用的团队，都是一记警钟。

第二，实验设计值得反复咀嚼：扣住原论文、知识截止早于发布日期、留出集预测、身份洗牌检验、30 人盲评。每一条都在堵"AI 只是背答案"的质疑。尤其是盲评里专门混入 20 份单 agent 报告做对照——分布式胜出不是靠话术，是靠同行评审投票。这是目前我见过对"agent 科学发现"最严肃的证据链。

第三，最打动我的是失败模式的披露方式。漏报（Naa20 邻居缺失）、虚报（耗竭导致的幸存者偏差）、矛盾标签（Wdr26 的跨物种外推翻车）——每一种失败都被单独命名、量化、并回收到下一轮推理里（耗竭预测）。把失败变成新的分析对象，这是成熟科学的做法，而不是演示的做派。

第四，对做生命科学和做 AI 的读者各有一句话。做生命科学的：你积累的实验图谱（CRISPR 筛选、单细胞、空间组学）里沉睡的解释价值，正在可以被"推理基础设施"开采——剑桥大学 Sarah Teichmann 说细胞图谱本就是为"我们想象不到的发现"而建，现在第一批开采工具到了。做 AI 的：这篇文章和上周 Anthropic 的蝎毒结合体、腾讯混元的记忆模型连起来看，"agent 分工 + 外部记忆 + 领域工具"三件套正在成为科学发现的通用配方。

最后照例划边界：这是未经同行评审的预印本；agent 的所有机制解释都是假说而非结论；论文自己也写明，"读文献、权衡解释、选择决定性实验"仍是科学训练的核心。agent 产出的最可靠的形态，是那 218 条按优先级排好队、等着人类验证的线索——而不是答案本身。32 分钟翻完一座山之后，真正耗时的部分，一如既往地开始于湿实验台。