Paper2Agent zet wetenschappelijke artikelen om in samenwerkende AI‑agenten

Op 16 september 2026 publiceerde een team van onderzoekers van Stanford Medicine een gedetailleerde beschrijving van Paper2Agent in het tijdschrift Nature. In dat artikel schetsten ze een end‑to‑end pijplijn die de volledige inhoud van een wetenschappelijk manuscript – tekst, figuren, aanvullende code en ruwe data – omzet in een software‑gebaseerde “agent” die zowel interactieve dialoog als uitvoering van de gerapporteerde methoden mogelijk maakt.

De transformatie stopt niet bij de louter narratieve secties. Het systeem extraheert en normaliseert elk visueel element, elke code‑snippet en elk datapakket, waarna het alles structureert volgens het Model Context Protocol. Dit formele schema brengt elke sectie en elke bron van het artikel in een machine‑leesbaar formaat, waardoor andere agenten er direct op kunnen inspelen.

Hoe de agenten werken

Zodra een Paper2Agent is geïnstalleerd, gedraagt hij zich als een virtuele laboratoriumassistent. Hij kan vragen over de methodologie beantwoorden, analyses reproduceren op een door de gebruiker aangeleverde dataset, en zelfs suggesties doen voor parameter‑aanpassingen op basis van het oorspronkelijke experimentele ontwerp.

Het systeem genereert bovendien “worker agents” die de volledige studie proberen te repliceren in een gesimuleerde omgeving. Deze worker agents leggen praktische details vast die vaak ontbreken in de geschreven tekst, zoals besturings‑ en timingparameters van laboratoriumapparatuur.

Menselijke auteurs blijven onmisbaar. Stanford benadrukt dat alleen mensen mislukte experimenten kunnen toelichten, afwegingen kunnen oplossen en taciete kennis kunnen overbrengen die geen manuscript volledig kan coderen. Daarom opereren de agenten onder continue menselijke supervisie, met expliciete vereisten voor toeschrijving en ethisch toezicht.

Eerste cross‑paper ontdekking

In een proof‑of‑concept demonstratie communiceerden twee agenten die waren afgeleid van afzonderlijke artikelen – één over menselijke genoomsequencing en een andere over ADHD‑genetica – via het gedeelde Model Context Protocol. De agenten identificeerden een variant nabij het MPHOSPH9‑gen die in de oorspronkelijke literatuur niet was gerapporteerd.

Stanford‑wetenschappers bevestigden later dat deze variant een plausibele kandidaat is voor verder onderzoek, waardoor de ontdekking een concreet voorbeeld wordt van hoe geautomatiseerde agents nieuwe verbanden kunnen blootleggen die voor menselijke lezers moeilijk zichtbaar zijn.

Deze eerste successtory illustreert het potentieel van Paper2Agent om een netwerk van redeneerlagen te creëren over de volledige wetenschappelijke corpus, waarbij elk artikel als een knooppunt fungeert dat door andere agenten kan worden bevraagd en gecombineerd.

Schaal en toekomstige plannen

Tot nu toe heeft het Stanford‑team meer dan honderd op papers gebaseerde agenten gegenereerd, variërend van oncologie‑studies tot klimaatmodellering. Deze diversiteit laat zien dat de onderliggende technologie breed toepasbaar is, ongeacht het domein of de complexiteit van de data.

De roadmap van Stanford omvat grootschalige samenwerkingen waarbij tientallen agenten simultaan resources onderhandelen, experimenten co‑ontwerpen en zelfs gezamenlijke hypothesen formuleren. Het uiteindelijke doel is een dynamisch ecosysteem waarin AI‑agents continu met elkaar communiceren en de wetenschappelijke kennisbasis uitbreiden.

Stanford waarschuwt echter dat de huidige demonstraties geen vervanging vormen voor onafhankelijke replicatie. Het systeem is bedoeld als onderzoeksinstrument, niet als vervanging voor peer review, experimentele validatie of ethische beoordeling door vakgenoten.

• Volledig manuscript (tekst, figuren, code, data) omzetten naar een interactieve agent
• Kennis organiseren met Model Context Protocol voor cross‑agent toegang
• Worker agents inzetten om experimenten te reproduceren in een virtuele sandbox
• Menselijke supervisie eisen voor toeschrijving, ethiek en interpretatie

Het Model Context Protocol staat centraal in de aanpak. Het definieert een hiërarchie van secties – abstract, methoden, resultaten, aanvullend materiaal – en koppelt elke sectie aan de onderliggende assets. Hierdoor kan een agent bijvoorbeeld het exacte script ophalen dat gebruikt werd om een figuur te genereren, het script op nieuwe invoer toepassen en stap voor stap de gegenereerde output uitleggen.

Beveiligingsaspecten zijn ingebouwd in de architectuur. Alle agenten draaien in geïsoleerde containers en elke code‑executie wordt sandboxed om ongewenste bijwerkingen te voorkomen. Stanford benadrukt dat elke inzet buiten het onderzoekslab grondige veiligheidsaudits moet ondergaan voordat ze in productie wordt genomen.

Voor Nederlandse organisaties betekent dit dat hun R&D‑processen binnenkort kunnen worden verrijkt met een AI‑laag die wetenschappelijke literatuur niet alleen leest, maar ook interpreteert en uitvoert. In plaats van handmatig protocollen te extraheren, kunnen onderzoekers een Paper2Agent raadplegen voor een kant‑klaar pipeline, deze testen op interne data en een gedetailleerde uitleg van elke stap ontvangen.

De technologie belooft snellere hypothese‑generatie, minder duplicatie van inspanningen en nieuwe interdisciplinaire inzichten, mits menselijke experts de output blijven verifiëren en sturen. In de nabije toekomst zou dit kunnen leiden tot een versnelling van innovatie binnen zowel de academische als de industriële sector in Nederland.