Исследовательская команда представила Paper2Agent — систему, превращающую научную статью из документа для чтения в интерактивного ИИ-агента, который может отвечать на вопросы по исследованию, запускать упомянутые методы и применять их к новым данным. По описанию авторами, агент анализирует саму работу, сопутствующий код, наборы данных и дополнительные материалы, а затем строит на их основе инструменты для языковой модели. Это не просто поиск кода, а создание исполняемых компонентов на основе публикации.

Основа подхода — MCP (Model Context Protocol), стандарт для подключения ИИ-агентов к внешним инструментам и данным. Для каждой статьи Paper2Agent формирует MCP-сервер, где размещаются исполняемые функции, материалы публикации и инструкции для выполнения многоступенчатых процедур. По словам авторов, такая схема упрощает доступ к нужным вычислениям без долгой сборки окружения.

Процесс построения агента по публикации включает несколько этапов: сначала система находит связанный код и настраивает окружение, затем отдельные ИИ-агенты извлекают из текста методы и превращают их в инструменты, после чего проводится проверка на контрольных данных — не прошедшие тесты исключаются. В оставшихся инструментах сохраняется ссылка на исходный код, чтобы можно было проследить результаты до конкретной реализации в работе.

В одном из экспериментов Paper2Agent за 45 минут на обычном ноутбуке и за $14 создала 22 инструмента для AlphaGenome — наборов моделей для анализа влияния генетических вариантов на регуляцию генов. Агент позволяет, например, оценивать влияние конкретного варианта ДНК на экспрессию генов или доступность хроматина без самостоятельной настройки программного окружения. В тестах на 15 учебных и 15 новых задачах точности заявлены на уровне 98,7% и 100% соответственно.

Другой пример — работа со Scanpy, популярным инструментарием для анализа данных одиночных клеток. Paper2Agent за 45 минут и $13 создала 7 инструментов, которые последовательно выполняют стандартную обработку: оценку качества, нормализацию, выбор признаков, снижение размерности, кластеризацию и типизацию клеток. По данным тестов на 4 общедоступных наборах совпадения с публикациями сохранялись при тех же параметрах, а на 7 наборах система подстраивала параметры под характеристики данных.

При более широких испытаниях Paper2Agent превратила в агентов 74 публикации из 100 вычислительных работ в биологии, создала 599 предполагаемых инструментов и из них 593 прошли валидацию. Основные причины отказов — отсутствие кода или данных, проблемы с зависимостями и невозможность обобщить программу на новые задачи. Авторы также проверили работы в других областях — искусственный интеллект, статистика, эконометрика, теория игр и астрофизика — и отметили применимость подхода за рамками биологии.

Авторы подчёркивают, что Paper2Agent не превращает публикации в самостоятельную научную истину и не заменяет человеческую проверку результатов. Многие статьи пока не могут стать полноценными агентами из-за недостатков кода, документации или окружения. Однако публикацию можно рассматривать как исполняемый исследовательский объект: ИИ может применить описанный метод к собственным данным, воспроизвести анализ или объединить его с инструментами из других работ.