2026. szeptember 17., csütörtök · Kutatás

Paper2Agent: tudományos cikkekből önálló AI-ügynökök a Nature-ben

A Nature ma megjelent cikke szerint James Zou, a Stanford Egyetem informatikusa és társszerzői egy Paper2Agent nevű eszközt mutattak be, amely bármely tudományos publikációt „virtuális levelező szerzővé” alakít. Az eszköz beolvassa a cikk szövegét, kódját és adatait, ezeket egy úgynevezett MCP-szerverre tölti, majd AI-ügynökök csapata autonóm módon eszközöket épít, amelyekkel a cikk módszerei új adatokra is alkalmazhatók. A kutatók a rendszert az AlphaGenome DNS-elemző modellt bemutató cikken tesztelték: az ügynök létrehozása körülbelül 45 percet és 14 dollár számítási költséget igényelt, és a genetikai kérdésekre közel tökéletes pontossággal válaszolt, felülmúlva más, ugyanahhoz a cikkhez hozzáférő biomedikai AI-ügynököket, köztük a Biomni nevű, akadémiai fejlesztésű rendszert is. A cikk szerzői szerint a technológia lehetővé teheti, hogy a tudományos cikkek dinamikus, más tudományterületek ügynökeivel is együttműködni képes tudásforrásokká váljanak.

Egy forrás erősíti A hír állításait legfeljebb egy forrás támasztja alá tárgyilag; a többi forrás anyaga nem erről szól.

Miért fontos?

James Zou szerint a Paper2Agent nemcsak gyorsabb szakirodalom-értelmezést tesz lehetővé, hanem precedenst teremthet arra, hogy a jövőben a publikált cikkek maguk váljanak interaktív, más tudományágak ügynökeivel autonóm módon együttműködő tudásforrásokká.

Források

Nature Tudományos The Verge

Említve a tudásbázisban

fogalom Model Context Protocol (MCP)

Kapcsolódó témák

Napi összefoglalók AI kutatás #Paper2Agent#AlphaGenome

Napi összefoglaló

Ez a hír a 2026. szeptember 17., csütörtök napi AI összefoglaló része.

Kapcsolódó hírek

Google DeepMind feltérképezte a genom összes lehetséges egybázisos mutációját

A Google DeepMind bemutatta az AlphaGenome Atlas nevű adatbázist, amely az emberi genom mind a mintegy kilencmilliárd lehetséges egybázisos variánsához előre kiszámított predikciókat tartalmaz arról, hogyan hatna a változás százszámra menő sejttípusban és szövetben. A rendszer az AlphaGenome nevű AI-modellre épül, amely korábban csak variánsonként, egyesével volt lekérdezhető, most viszont az eredmények előre kiszámítva, egy petabyte méretű, az AlphaFold fehérjeadatbázisnál több mint harmincszor nagyobb gyűjteményben érhetők el. A cél a fehérjét nem kódoló DNS-szakaszok – a genom mintegy 98 százaléka – funkciójának azonosítása, mivel itt találhatók a legtöbb betegséghez köthető, de eddig nehezen értelmezhető variánsok. A DeepMind emellett bevezette az AVI nevű összesített hatás-pontszámot, amely 18 bemeneti jellemzőt használ, szemben a bevett CADD eszköz több mint 150 jellemzőjével.

Google DeepMind atlaszt készített a teljes emberi genom lehetséges mutációiról

A Google DeepMind bemutatta az AlphaGenome Atlas nevű ingyenes online eszközt, amely a vállalat közlése szerint előre kiszámított predikciókat tartalmaz mind a kilencmilliárd lehetséges egybetűs DNS-változásra az emberi referenciagenomban. A rendszer a tavaly bemutatott, majd januárban a Nature-ben publikált AlphaGenome modellre épül, és megmutatja, hogyan hathat egy mutáció a génexpresszióra és más szabályozó folyamatokra, a fehérjét nem kódoló szakaszokat is beleértve. Újdonság a Variant Impact Score nevű egyetlen szám, amely a fejlesztők szerint gyorsan jelzi egy genetikai eltérés lehetséges jelentőségét. A DeepMind maga hangsúlyozza, hogy a predikcióknak korlátai vannak, mivel sok betegséget több variáns együttes hatása okoz.

A Google DeepMind AGI-intézetet indít az emberi szintű AI kérdéseinek vizsgálatára

A Google DeepMind bejelentette a DeepMind Institute (DMI) létrehozását, amely a mesterséges általános intelligencia (AGI) körüli kérdéseket – biztonság, irányítás, kiberkockázatok, kontrollvesztés – vizsgálja interdiszciplináris keretben. A cég állítása szerint az intézet nem csak technológusokat, hanem a bölcsészet-, társadalom- és politikatudomány szakértőit is bevonja, Shane Legg, James Manyika és Demis Hassabis vezetésével. Az AGI fogalmára nincs egységes definíció: a DeepMind az emberi agy minden kognitív képességével rendelkező rendszerként írja le, és Hassabis szerint ez néhány éven belül elérhető, míg Legg egy előzményrendszert 2028-ra vár. Ezzel szemben az OpenAI vezérigazgatója, Sam Altman a cég állítása szerint akár még ez év végére is elképzelhetőnek tartja az AGI megjelenését, jelezve, hogy a nagy AI-cégek időbecslései jelentősen eltérnek egymástól.

Rider: mélytanulásos eszköz rejtett RNS-vírusok felfedezésére

A Nature Communications folyóiratban megjelent, lektorált kutatás bemutatja a Ridert, egy kétlépéses keretrendszert RNS-vírusok azonosítására metatranszkriptomikai adatokból. Az első lépésben egy kompakt, előre betanított fehérje-nyelvi modell keresi a rendkívül divergens vírusjeleket, majd egy átfedő csúszóablakos szerkezet-előrejelzési eljárás azonosítja az RdRp (RNS-függő RNS-polimeráz) katalitikus magdoméneket, amelyeket egy kurátorolt, nem redundáns doménadatbázissal vetnek össze. A kutatók több mint 10 000, változatos ökoszisztémákból származó metatranszkriptomon tesztelték a rendszert: a Rider a korábban katalogizált RNS-vírusok több mint 99 százalékát visszanyerte, érzékenysége összemérhető a LucaProt módszerével, ugyanakkor a szerzők szerint ezernyi mélyen divergens szekvenciát és kládot is azonosított, amelyeket a meglévő eszközök nem érzékeltek. Egy gyulladásos bélbetegségben (IBD) szenvedő betegek kohorszán végzett teszt megerősítette, hogy a módszer a szokásos vírusok mellett divergens vonalakat is kimutat.