Videnskabelig databehandling i den agentiske AI's tidsalder
En feltrapport viser, hvordan forskere bruger kodningsagenter til at modernisere videnskabelig software til genomik og andre datatunge fagområder.
Videnskabelig databehandling er en grundpille i moderne forskning på tværs af den akademiske verden og erhvervslivet. Men den software, der bruges til at analysere videnskabelige data, har haft svært ved at følge med den hastige vækst i datamængden. Mange udbredte forskningsværktøjer begyndte som kode til en forskningsartikel, udviklet af små akademiske teams med begrænset erfaring inden for softwareudvikling og meget lidt tid til pakning, test, optimering eller langsigtet support. Resultatet er en videnskabelig infrastruktur, der ofte bygger på langsomme, skrøbelige arbejdsgange med behov for konstant vedligeholdelse. Disse begrænsninger hæmmer forskningens fremskridt.
AI-agenter er begyndt at ændre på det regnestykke. Ved at sænke omkostningerne ved udviklingsarbejde og overtage ensformige implementeringsopgaver kan de hjælpe forskere med hurtigere at afprøve idéer, gennemføre projekter, der tidligere var urealistiske, og lettere vedligeholde software på lang sigt. Det gør videnskabelig software mere effektiv og bedre vedligeholdt, så forskerne kan bruge mere tid på nye opdagelser.
Vi offentliggør en eksplorativ feltrapport om otte agentunderstøttede projekter inden for videnskabelig databehandling, primært i biovidenskab: fem med Codex alene og tre med en kombination af Codex og Claude Code. Rapporten samler casestudier skrevet af teamene bag de enkelte projekter og afdækker gennemgående temaer. Projekterne spænder fra rutinemæssig vedligeholdelse og målrettet optimering til omfattende migrering mellem programmeringssprog og GPU-baserede redesign. Bidragyderne fortæller, at agenterne markant fremskyndede softwareudvikling og vedligeholdelse og i nogle tilfælde gjorde små teams i stand til at påtage sig opgaver, som ellers ville have krævet langt mere tid eller specialiseret udviklingshjælp. Men de fremhæver også den vedvarende udfordring med at placere et klart, langsigtet ansvar for og forvaltning af de udviklede værktøjer.
Bidragyderne beskriver samstemmende, hvordan forskernes rolle flytter sig fra implementering til kontrol og koordinering: De specificerer, hvad der skal bygges, definerer, hvordan korrekthed måles, og afgør, hvornår et projekt er klar til lancering. I denne nye model bevarer forskerne kontrollen over den videnskabelige retning og kvalitetsstandarden, mens agentisk assistance øger hastigheden
Moderniserede et udbredt bibliotek til fortolkning af genomiske data
cyvcf2 er et Python-bibliotek til læsning og skrivning af filer med genomiske varianter. GPT‑5.5 erstattede bibliotekets forældede system til build og pakning med en moderne, samlet proces, der gør biblioteket lettere at installere, teste og udgive.
Med kodningsagenter er det ret let at bevæge sig hurtigt. Indtil videre kræver det dog stadig ekspertvejledning, forståelse, dømmekraft og omhu at nå langt inden for videnskab.
—Brent Pedersen
Selvom projekterne varierede meget i omfang, viste de, at kodningsagenter gør arbejdskraft og specialistviden inden for softwareudvikling til en mindre begrænsning i videnskabelig databehandling. Flaskehalsen er nu at validere en AI-agents output, hvilket stadig kræver menneskelig dømmekraft.
På tværs af casestudierne løste agenterne konkrete, klart afgrænsede opgaver effektivt, men de kunne ikke pålideligt vurdere, om deres arbejde var videnskabeligt validt eller levede op til forventningerne. Agenterne udtrykte faktisk ofte stor sikkerhed, selv når deres arbejde indeholdt tydelige fejl. De menneskelige bedømmere måtte derfor finde pålidelige metoder til at validere resultaterne. De bedste metoder brugte en ekstern reference eller et målbart acceptkriterium, såsom fuldstændig overensstemmelse mellem output, samme ydeevne som et eksisterende værktøj, passende statistisk adfærd eller på forhånd fastlagte svar baseret på simulerede data.
Et andet gennemgående tema var, at projekterne generelt forløb i faser med feedbackbaserede iterationer frem for one-shot-tilgange. Bidragyderne opdelte overordnede mål i mindre ændringer og brugte derefter løbende benchmarks og testsystemer til at evaluere og forbedre agenternes arbejde. Agenterne udarbejdede ofte hurtigt de første implementeringer, men det tog langt længere tid at håndtere særtilfælde og små numeriske afvigelser. Implementeringens »sidste kilometer« krævede ofte mest arbejde.
Samlet set tyder casestudierne på, at agenter gør det muligt for forskere at bruge mindre tid på implementering og mere på at lede det videnskabelige arbejde. Mennesker definerer målet, opdeler komplekse projekter i håndterbare dele og vurderer, om resultaterne er videnskabeligt valide. Ved at mindske gamle udviklingsmæssige begrænsninger udvider agenterne mulighederne for, hvad forskere kan bygge, og frigør tid til de vigtigste videnskabelige spørgsmål og beslutninger.
Mangelfuld vedligeholdelse af forskningssoftware har længe bremset udviklingen og begrænset reproducerbarheden og pålideligheden. Offentliggjorte undersøgelser af »forskningskode(åbner i et nyt vindue)« og omikværktøjer(åbner i et nyt vindue) har vist, at udgivet software ofte ikke kan installeres korrekt i et nyt computermiljø eller køre som dokumenteret. Derfor må forskere bruge meget tid på konfiguration og fejlfinding. Selv rutinemæssige forbedringer kan spare forskerne tid og reducere behovet for computerkraft, mens ydelsesbaseret refaktorering og omskrivning kan give større gevinster.
Men lavere implementeringsomkostninger gør det også lettere at skabe mange ensartede omskrivninger, hvilket splitter brugerbasen og spreder den ekspertindsats, der er nødvendig for at holde det enkelte værktøj pålideligt. Derfor er langsigtet forvaltning og kreditering afgørende. Moden videnskabelig software rummer udokumenterede konventioner, kompatibilitetskrav og brugertillid, som ikke kan genskabes blot ved at oversætte kildekoden.
Casestudierne viser flere mulige veje frem. Ændringerne af MHCflurry og cyvcf2 blev integreret i deres oprindelige upstream-projekter, mens rustar-aligner blev overdraget til nye forvaltere i fællesskabet, fordi det oprindelige projekt var blevet opgivet. Når det er muligt at koordinere med de eksisterende vedligeholdere, bør det ske så tidligt som muligt. Hvis en separat implementering er nødvendig, skal den have en tydelig ejer og en troværdig plan for vedligeholdelse. Ellers kan nutidens moderne omskrivning blive morgendagens forladte kode frem for en pålidelig videnskabelig infrastruktur.
Denne feltrapport er retrospektiv og eksplorativ, men casestudierne peger på en praktisk ændring i udviklingen af videnskabelig software. Kodningsagenter som Codex kan markant sænke omkostningerne ved vedligeholdelse, migrering, optimering og nye implementeringer. Deres langsigtede videnskabelige værdi afhænger stadig af menneskers beslutninger om, hvad der skal bygges, hvordan det skal verificeres, og hvem der skal vedligeholde det. Den dybere forandring består ikke blot i, at forskere kan udvikle mere software, men i at de kan bruge mere af deres tid på at definere, validere og forvalte værktøjerne.
Disse casestudier viser, at agenter allerede kan sætte fart på iterationerne inden for videnskabelig databehandling. Efterhånden som kodningsagenter bliver bedre, vil forskere kunne bruge mindre tid på at holde analysepipelines kørende og mere tid på at skabe fremskridt inden for deres fagområder.
