I ricercatori hanno presentato Paper2Agent, un sistema che trasforma un articolo scientifico ordinario in un agente IA funzionante. Invece di leggere un PDF, cercare il codice sorgente e configurare manualmente i programmi, il ricercatore può porre una domanda in linguaggio naturale, chiedere di riprodurre un calcolo o applicare il metodo descritto a nuovi dati. Gli autori considerano questo approccio come un possibile nuovo modo di pubblicare ricerche computazionali, anche se al momento il sistema non sostituisce gli articoli tradizionali.
Paper2Agent non funziona come un chatbot a cui è stato semplicemente caricato il testo dell’articolo. Il sistema raccoglie la pubblicazione stessa, i materiali aggiuntivi, i set di dati, il codice sorgente e i flussi di lavoro pronti, trasformando poi i metodi degli autori in un set di strumenti eseguibili. Di conseguenza, l’IA non solo può riassumere il contenuto, ma anche eseguire i calcoli descritti nello studio.
Lo strato di collegamento è il protocollo di contesto del modello (MCP), progettato per collegare i modelli linguistici a dati esterni e strumenti software. Paper2Agent crea automaticamente un server MCP per un articolo specifico. Sul server vengono caricati le funzioni per i calcoli, i materiali originali e le istruzioni che descrivono la corretta sequenza di azioni. Successivamente, è possibile collegare un agente IA compatibile e lavorare con l’articolo tramite dialogo.
Prima della pubblicazione degli strumenti completi, il sistema li verifica utilizzando esempi provenienti dallo studio originale. Paper2Agent esegue il codice, confronta i risultati numerici e le immagini con gli standard, tenta di correggere gli errori di ambiente e dipendenze. Se una funzione non supera la verifica dopo diversi tentativi, il sistema la esclude dal set finale. Questo approccio dovrebbe ridurre il rischio che il modello linguistico generi codice plausibile ma errato invece del metodo reale degli autori.
Uno dei test è stato condotto su AlphaGenome, un sistema per prevedere l’impatto delle variazioni del DNA. Paper2Agent ha creato 22 strumenti per AlphaGenome in circa 45 minuti, ognuno dei quali ha superato la verifica automatica. Gli autori hanno stimato il costo della preparazione dell’agente a circa 14 dollari su un computer personale standard. Dopo l’assemblaggio, il ricercatore poteva, ad esempio, descrivere una variante genetica in linguaggio naturale e chiedere al sistema di valutare il suo possibile impatto sull’espressione genica, lo splicing o la disponibilità della cromatina nei tessuti selezionati.
In uno degli esperimenti, l’agente ha riesaminato il legame tra una variante genetica e i livelli di colesterolo delle lipoproteine a bassa densità. Lo studio originale aveva identificato i geni CELSR2 e PSRC1 come principali, mentre l’agente ha posto SORT1 al primo posto. Ulteriori verifiche con dati indipendenti sull’espressione genica hanno supportato il legame tra la variante e SORT1 nel fegato. Gli autori sottolineano che tale divergenza non rende automaticamente errata la conclusione originale, ma dimostra la possibilità di riesaminare rapidamente le interpretazioni pubblicate utilizzando gli stessi metodi computazionali.
Un altro esperimento ha mostrato come più agenti possano lavorare insieme. Il sistema ha unito i metodi e i dati di tre studi diversi per identificare un gene potenzialmente associato a una variante di rischio per la psoriasi.
L’IA ha proposto dieci modi per verificare l’ipotesi, e l’utente ha scelto l’analisi di correlazione. I successivi calcoli hanno identificato GPR137 come il candidato più probabile in determinate condizioni di attivazione cellulare. Gli autori considerano il risultato un esempio di un nuovo schema di analisi dei dati, ma non una prova biologica definitiva di un legame causale.
Il limite principale di Paper2Agent dimostra al contempo perché l’idea potrebbe rivelarsi importante per le pubblicazioni scientifiche. L’agente funziona bene dove l’articolo è accompagnato da codice comprensibile, dati accessibili e un processo di analisi riproducibile. In questo approccio, il PDF non scompare, ma smette di essere l’unico modo per trasmettere i risultati: insieme al testo, il ricercatore ottiene una versione interattiva del lavoro, in grado di mostrare i propri calcoli in azione. Il codice del progetto è pubblicato su GitHub.
Carolina Vivianti è consulente/Advisor autonomo in sicurezza informatica con esperienza nel settore tech e security. Ha lavorato come Security Advisor per Ford EU/Ford Motor Company e Vodafone e ha studi presso la Sapienza Università di Roma.
Aree di competenza: Cybersecurity, IT Risk Management, Security Advisory, Threat Analysis, Data Protection, Cloud Security, Compliance & Governance