Od PDF ke „spoluautorovi“, který umí spustit kód
Vědecké články o výpočetních metodách mají jeden praktický problém. Výzkumník sice zveřejní postup, výsledky i odkaz na kód, ale použití v praxi často začíná nepříjemnou sérií úkolů: najít správný repozitář, nainstalovat závislosti, pochopit vstupní formáty, opravit nefunkční cesty a zjistit, kterou část notebooku vlastně spustit.
Paper2Agent se snaží tuto mezeru vyplnit. Podle studie ve společenském časopise Nature analyzuje rukopis, doplňkové materiály, veřejný kód, datasety a ukázkové workflow. Z těchto částí vytvoří server kompatibilní s protokolem MCP, tedy Model Context Protocol.
MCP si lze představit jako standardizovanou zásuvku mezi AI agentem a externími nástroji. Chatovací systém pak nemusí pouze popisovat, jak by se analýza dala provést. Může zavolat konkrétní funkci, předat jí data, počkat na výsledek a pokračovat v práci. V případě Paper2Agent je touto funkcí například metoda popsaná ve vědeckém článku.
Výsledkem je agent, který funguje jako něco mezi dokumentací, programátorem a virtuálním autorem studie. Nejde ale o magickou kopírku vědeckých výsledků. Agent stále pracuje s tím, co je dostupné v článku, repozitáři a datech. Pokud je původní kód neúplný nebo špatně zdokumentovaný, automatizace má z čeho opravovat jen omezeně.
Jak Paper2Agent ověřuje, že výsledek není jen hezky napsaná odpověď
Silnou stránkou systému je testovací smyčka. Paper2Agent nejprve vytváří nástroje z dostupného kódu a následně je spouští na příkladech z původní studie. Pokud výsledek nesedí, další agent se pokusí problém diagnostikovat a opravit. Tento proces se opakuje nejvýše šestkrát pro jednu funkci.
Číselné výsledky se při schválení nástroje musí shodovat s referencí s tolerancí do 3 procent. U obrázků systém porovnává vizuální podobnost pomocí Hammingovy vzdálenosti; povolená odchylka je nižší než 20. Pokud funkce testy opakovaně nezvládne, do výsledného MCP serveru se nezařadí.
To je důležitý detail. Běžný AI chatbot může sebevědomě tvrdit, že reprodukoval experiment, i když ve skutečnosti pouze popsal očekávaný postup. Paper2Agent se snaží ověřit, že se opravdu vytvořily soubory, proběhl výpočet a výstup odpovídá referenci. Neřeší tím všechny problémy vědecké reprodukovatelnosti, ale posouvá kontrolu z roviny slibů do roviny spustitelných testů.
Výsledky: vysoká přesnost, rychlejší práce s daty
Podle zveřejněného hodnocení dosáhl původní biologický agent založený na AlphaGenome stoprocentní přesnosti reprodukce. Při testování deseti nebiologických prací, mezi nimiž byly například TabPFN a SAM 2, dosáhl Paper2Agent přesnosti 98,1 procenta na 42 spouštěcích úlohách.
Další měření se zaměřilo na datovou vrstvu u 26 prací. Ta dosáhla úspěšnosti 89 procent oproti 82 procentům u běžného prohlížečového agenta. Zpracování mělo být podle zveřejněných výsledků 34krát levnější a 15krát rychlejší. Tato čísla je nutné číst jako výsledky konkrétního testovacího scénáře, nikoli jako univerzální garanci pro každý vědecký repozitář.
Celý převod článku na použitelný agent podle autorů trvá zhruba od 30 minut do několika hodin. Rozhoduje především složitost kódu, dostupnost návodů a kvalita popisu vstupů a výstupů. Jednoduchý repozitář s funkčními notebooky bude jiný případ než projekt s několika prostředími, neveřejnými daty a závislostmi, které naposledy někdo aktualizoval v době, kdy byla instalace balíčků ještě společenskou událostí.
Co už lze vyzkoušet
Paper2Agent je dostupný jako open-source projekt pod MIT licencí na GitHubu. Autoři zveřejnili také předpřipravené servery a agenty pro AlphaGenome, Scanpy a TISSUE. Některé z nich běží na platformě Hugging Face Spaces.
AlphaGenome je určený pro interpretaci genomických variant. Scanpy slouží k analýze dat z jednotlivých buněk a TISSUE pracuje s prostorovou transkriptomikou. Pro českého uživatele je podstatné, že zdrojový kód i veřejné ukázky jsou dostupné online a nejsou omezené na Spojené státy. Zdroje však neuvádějí samostatnou českou lokalizaci ani české uživatelské rozhraní.
Samotný framework je zdarma, ale provoz konkrétního agenta může vyžadovat přístup k externímu jazykovému modelu, výpočetní kapacitě nebo placenému API používané vědecké služby. Paper2Agent proto není univerzální bezplatná náhrada za cloud. Je to spíše otevřená konstrukce, která propojí vědecký kód s agentickým rozhraním. Konkrétní provozní náklady se budou lišit podle použitého modelu, dat a náročnosti analýzy.
Vědecký článek jako spustitelný objekt
Nejzajímavější na Paper2Agent není jen automatické spuštění notebooku. Systém se snaží propojit několik vrstev vědecké práce: text článku, programový kód, data, dokumentaci a testy. Agent pak může odpovědět na otázku přirozeným jazykem a současně zavolat nástroje, které skutečně provedou analýzu.
V experimentu s AlphaGenome například agent odpovídal na původní i nové dotazy. V jednom z případů analyzoval genetickou variantu spojenou s hladinou LDL cholesterolu a identifikoval kandidátní gen odlišný od závěru původního článku. Podle autorů data podporovala obě hypotézy. To ukazuje praktický přínos podobného systému: publikovaný výsledek nemusí být konečná odpověď, ale výchozí bod pro další ověřování.
Nature zároveň popisuje spolupráci více agentů nad různými články. Jeden agent může poskytnout genomickou predikci, jiný data z buněčných experimentů a třetí nástroj pro analýzu transkriptomiky. Taková spolupráce samozřejmě neznamená, že AI sama provede celý vědecký proces bez kontroly. Znamená ale, že propojení metod z několika studií může být technicky jednodušší než ruční skládání pěti různých repozitářů.
Limity zůstávají důležité
Paper2Agent neudělá z každého článku spolehlivý výzkumný nástroj. Testy mohou ověřit shodu s referenčním výstupem, ale samy o sobě nepotvrdí, že je původní metoda vědecky správná. Agent také nemusí odhalit všechny skryté předpoklady, chyby v datech nebo problémy s licencí.
Další omezení vyplývá z dostupnosti dat. Pokud studie používá neveřejný dataset, klíč uložený mimo repozitář nebo speciální hardware, automaticky vytvořený agent nebude mít vše potřebné k reprodukci výsledku. Stejně tak může být problematické dlouhodobé udržování serveru, protože aktualizace knihoven a operačních systémů dokážou rozbít i dobře otestovaný workflow.
Paper2Agent proto není náhradou za vědecké posouzení. Je to nástroj, který zkracuje cestu mezi publikovanou metodou a jejím praktickým použitím. Pokud se tento přístup uchytí, články mohou postupně získat další vrstvu: nejen text, grafy a přílohy, ale také otestované rozhraní, přes které se dá metoda přímo spustit.
Význam pro české vývojáře a výzkumné týmy je především v otevřenosti projektu. Kód je veřejný, licence MIT je permisivní a základní workflow lze prozkoumat bez čekání na komerční produkt. Pro běžného uživatele ale Paper2Agent zatím není další univerzální chatbot. Je určený hlavně lidem, kteří pracují s odbornými články, daty a programovým kódem.
FAQ
Je Paper2Agent samostatný jazykový model?
Ne. Paper2Agent je framework, který převádí vědecký článek a jeho kód na MCP server a následně jej propojuje s kompatibilním AI agentem. Jazykový model tedy zajišťuje komunikaci a plánování, zatímco MCP server poskytuje konkrétní nástroje a workflow z dané studie.
Lze Paper2Agent používat s českými vědeckými články?
Zdrojový kód je veřejný a framework není omezený na anglické publikace. Zveřejněné příklady jsou však zaměřené na anglické vědecké materiály a zdroje neuvádějí českou lokalizaci. Praktická použitelnost proto závisí na kvalitě článku, dostupnosti kódu a schopnostech připojeného agenta.
Zaručuje úspěšný test, že je vědecký výsledek správný?
Ne. Test ověřuje především to, zda agent dokáže reprodukovat referenční výstup a zda jeho nástroje fungují podle stanovených kritérií. Nepotvrzuje automaticky správnost experimentálního návrhu, kvalitu datasetu ani platnost vědeckého závěru.
Zdroje: recenzovaná studie v Nature, komentář Nature News, zdrojový kód Paper2Agent, shrnutí výsledků a benchmarků.
