Дослідники зі Stanford представили Paper2Agent: перетворення наукових статей на ШІ-агентів, які відтворюють результати та працюють із новими даними

Обчислювальні статті містять код, який читачам потрібно клонувати, встановлювати, налаштовувати й налагоджувати. Ці витрати залишають корисні методи замкненими всередині PDF-файлів. Команда Стенфордського університету на чолі з Цзяченом Мяо та Джеймсом Зу пропонує рішення. Paper2Agent було опубліковано в Nature 16 вересня 2026 року. Система перетворює статтю та її кодову базу на сервер Model Context Protocol (MCP). Будь-який агент, сумісний із MCP, наприклад Claude Code, після цього може запускати методи статті за допомогою природної мови. Автори описують результат як віртуального відповідального автора.

Чи можна це розгорнути? Так. Код поширюється за ліцензією MIT і встановлюється як навичка для Claude Code або Codex. Попередньо створені сервери AlphaGenome, Scanpy і TISSUE працюють у Hugging Face Spaces. Також доступна розміщена версія за адресою paper2agent.ai.

Як працює конвеєр

Paper2Agent працює на основі SDK агента Claude Code. Центральний оркестратор розподіляє завдання між спеціалізованими підлегентами у 6 кроків:

Знаходить і завантажує кодову базу.
Менеджер середовища створює ізольоване віртуальне середовище.
Сканер навчальних матеріалів індексує доступні навчальні посібники.
Виконавець навчальних матеріалів запускає їх від початку до кінця й записує еталонні результати.
Екстрактор інструментів перетворює навчальні матеріали на параметризовані інструменти MCP, а тестовий верифікатор перевіряє їх.
Оркестратор об’єднує перевірені інструменти в 1 сервер MCP.

Етап перевірки є суворим. Інструмент проходить його лише тоді, коли очікувані файли з’являються, а числа збігаються з похибкою до 3%. Графіки також мають збігатися з еталонними за перцептивним хешем, а відстань Геммінга має бути меншою за 20. Верифікатор отримує до 6 спроб для кожної функції. Інструменти, які продовжують давати збій, виключаються з фінального сервера.

Кожен сервер надає 3 компоненти. Інструменти MCP обгортають методи статті у виконувані функції: ресурси MCP містять рукопис, посилання на код, набори даних і графіки. Підказки MCP кодують багатокрокові робочі процеси, наприклад правильний порядок попередньої обробки в Scanpy. Дослідницька команда використовувала Claude Sonnet 4 для всіх застосувань Paper2Agent.

Інтерактивне пояснення

Результати агента AlphaGenome

Для AlphaGenome Paper2Agent створив 22 інструменти приблизно за 45 хвилин і 14 доларів США. Усі 22 пройшли перевірку без втручання людини. Команда порівняла агента з Claude Code із доступом до репозиторію (Claude + Repo) та Biomni.

Бенчмарк	Paper2Agent	Claude + Repo	Biomni
15 запитів, отриманих із навчальних матеріалів	98.7 ± 1.3%	82.7 ± 3.4%	37.3 ± 4.0%
15 нових запитів	100.0 ± 0.0%	78.7 ± 4.4%	56.0 ± 3.4%
30 відкритих запитів	82.7 ± 2.4%	56.7 ± 2.3%	72.2 ± 2.2%

Результати охоплюють 5 запусків і оцінені 2 експертами-людьми з міжекспертною узгодженістю 96.7%. Для запитів за навчальними матеріалами медіанний час виконання скоротився в 1.9 раза порівняно з Claude + Repo і в 3.1 раза порівняно з Biomni. Переваги збереглися, коли базову модель замінили на Claude Opus 4.6.

Агент також повторно проаналізував варіант холестерину LDL chr1:109274968:G>T. Він визначив SORT1 як найімовірніший причинний ген. В оригінальній статті AlphaGenome основну увагу було приділено CELSR2 і PSRC1. GTEx демонструє значущі eQTL у печінці для всіх 3 генів. Дослідницька команда зазначає, що це показує, наскільки складно визначати причинний ген у таких локусах.

Scanpy, TISSUE і масштабні тести

Агент Scanpy отримав 7 перевірених інструментів приблизно за 45 хвилин і 13 доларів США. На 4 загальнодоступних наборах даних він зрівнявся з дослідниками-людьми за кількістю клітин, кількістю генів і топовими маркерними генами. Агент TISSUE відтворив результати людей на даних просторової транскриптоміки.

Масштабні тести охопили 3 корпуси без ручного очищення:

100 обчислювальних статей із bioRxiv: 74 були перетворені на агентів, а 593 із 599 запропонованих інструментів пройшли перевірку.
300 запитань: Paper2Agent набрав 91.2% проти 80.3% (Sonnet 4) і 86.3% (Sonnet 4.6) у Claude + Repo.
Вартість одного запиту: 0.20 долара США і 1.6 хвилини порівняно з 0.38 долара США і 4.3 хвилини.
10 статей не з біології, зокрема TabPFN, SAM 2 і SAELens: точність 98.1% у 42 завданнях виконання.
26 статей, зосереджених на даних: рівень ресурсів 89.0% проти 82.0% для використання браузера, у 34 рази дешевше і в 15 разів швидше.

Paper2Agent також відхилив 100% запитів поза межами своєї компетенції у переставленому бенчмарку. Система відновлювалася після помилок, спричинених ін’єкцією залежностей, шляхами до файлів, друкарськими помилками та застарілими API.

Співпраця агентів статей

Дослідницька команда поєднала 3 агенти: AlphaGenome, скринінг scCRISPRi, поєднаний із MPRA, і набір даних Perturb-seq для CD4+ T-клітин. AlphaGenome позначив GPR137 у локусі псоріазу rs887314, із квантильним показником RNA-seq 0.997. ШІ-співавтор запропонував 10 стратегій перевірки, а дослідник обрав кореляцію сигнатур.

Лише нокдаун GPR137 відповідав сигнатурі збурення CRE. Відповідність спостерігалася під час стимуляції: Spearman 0.613 за Stim8hr і 0.630 за Stim48hr. BAD та 3 інші кандидати не продемонстрували значущої кореляції. У другому дослідженні AlphaGenome поєднали з GWAS СДУГ і серед 209 кандидатів визначили rs1626703. Ця гіпотеза все ще потребує експериментальної перевірки.

Основні висновки

Paper2Agent перетворює статті та репозиторії на протестовані сервери MCP з інструментами, ресурсами й підказками.
Створення агента AlphaGenome зайняло близько 45 хвилин, коштувало 14 доларів США, а його результат на нових запитах становив 100%.
74 зі 100 статей bioRxiv були перетворені на агентів, а 593 із 599 інструментів пройшли перевірку.
3 агенти статей спільно підтвердили GPR137 як імовірний причинний ген псоріазу.
Код поширюється за ліцензією MIT, а попередньо створені сервери MCP доступні в Hugging Face Spaces.

Ознайомтеся зі статтею та репозиторієм. Уся заслуга належить дослідникам цього проєкту. Також підписуйтеся на нас у Twitter і не забудьте приєднатися до нашого сабреддіту про машинне навчання зі 150 тисячами+ учасників та підписатися на нашу розсилку. Стривайте! Ви є в Telegram? тепер ви також можете приєднатися до нас у Telegram.

Потрібна співпраця з нами для просування вашого репозиторію GitHub, сторінки Hugging Face, релізу продукту, вебінару тощо? Зв’яжіться з нами

Перекладено автоматично з англійської. Оригінал статті — за посиланням нижче.