В сентябре 2026 года в Nature вышла статья, которая может изменить то, как мы взаимодействуем с научными публикациями. Команда из Стэнфорда под руководством Джеймса Цзоу представила Paper2Agent — систему, которая автоматически превращает research paper в полноценный MCP-сервер с набором инструментов. Подключаешь его к Claude Code, Codex или Gemini CLI — и вместо чтения 30-страничной PDFки и возни с установкой зависимостей ты разговариваешь с агентом, который реально применяет метод из статьи к твоим данным.
Почему это важно
Современная наука упирается в reproduction crisis: код из статей часто не запускается, окружения ломаются, документация неполная. Даже у хорошо поддерживаемых репозиториев вроде AlphaGenome нужны часы на то, чтобы разобраться с API, поднять окружение и понять семантику параметров. Paper2Agent снимает этот барьер: вместо кода пользователь получает агента, который всё уже знает про конкретный paper.
Идея простая, но мощная: статья перестаёт быть пассивным PDF-документом и становится исполняемым объектом, с которым можно вести диалог на естественном языке. Это меняет саму парадигму научной коммуникации.
Как это работает
Paper2Agent состоит из двух слоёв:
1. Paper2MCP — мультиагентный конвейер, который читает paper + связанный репозиторий и собирает MCP-сервер с тремя типами компонентов:
- MCP tools — исполняемые функции, инкапсулирующие метод статьи (например, для AlphaGenome — 22 инструмента: предсказание эффектов вариантов, визуализация, приоритизация причинных генов).
- MCP resources — статические ассеты: текст статьи, код, датасеты, supplementary materials.
- MCP prompts — шаблоны для сложных многошаговых пайплайнов (preprocessing + кластеризация для Scanpy).
2. Agent layer — оборачивает MCP как context provider и подключает к Claude Sonnet 4 (или любой совместимый LLM). Пользователь общается на естественном языке.
Важно: каждый tool валидируется против референсных результатов из оригинальной статьи — это снижает риск «code hallucination», когда LLM пишет код, который вроде работает, но даёт неправильные научные выводы. Те, что не прошли валидацию, исключаются из агента.
Use case 1: AlphaGenome agent для геномики
AlphaGenome — фундаментальная модель от Google DeepMind для предсказания эффектов однонуклеотидных вариантов на регуляторные процессы в ДНК (RNA-seq, ATAC-seq, CAGE, splicing, chromatin accessibility). Установка и настройка обычно требуют понимания API, ключей, иерархии параметров — серьёзный барьер для биологов.
Paper2Agent превратил AlphaGenome paper в агента, который:
- сгенерировал 22 MCP-инструмента за ~45 минут, потратив ~$14 на личном ноутбуке без человеческого вмешательства;
- покрыл все ключевые методы статьи (каждый прошёл автоматическую валидацию против референсных результатов);
- готов к переиспользованию — это одноразовый процесс конвертации.
Пример запроса к агенту:
«Интерпретируй ожидаемый эффект варианта chr11:116837649:T>G на доступность хроматина в клетках скелетных мышц»
Вместо того чтобы клонировать репо, настраивать окружение и разбираться с API — одна строка на естественном языке. Готовый hosted-сервер уже доступен: paper2agent-alphagenome-mcp.hf.space.
Use case 2: автономное научное открытие на стыке двух papers
Самое впечатляющее — Paper2Agent не просто запускает один paper, а позволяет комбинировать методы из нескольких. В расширенном кейсе авторы подключили к одному агенту сразу два MCP:
- AlphaGenome MCP (методы);
- ADHD GWAS dataset MCP (данные — 209 кандидатных вариантов из GWAS-локусов).
Агент автономно:
- Проанализировал 209 кандидатных вариантов из GWAS-локусов ADHD;
- Приоритизировал rs1626703 как наиболее вероятный причинный вариант;
- Через AlphaGenome показал, что rs1626703 может менять сплайсинг гена MPHOSPH9 и повышать его экспрессию в глутаматергических нейронах;
- Сформулировал проверяемую гипотезу о молекулярном механизме ADHD.
Это уже не «ИИ-помощник для программиста», а полноценный AI-co-scientist, способный генерировать и тестировать гипотезы. И всё это — без переписывания пайплайнов вручную.
Установка и первые шаги
git clone https://github.com/jmiao24/Paper2Agent.git
cd Paper2Agent
# Установка skill для Claude Code
mkdir -p "$HOME/.claude/skills/paper2agent"
cp -R skills/paper2agent/. "$HOME/.claude/skills/paper2agent/"
# Перезапустить Claude Code, затем в чате:
# /paper2agent Convert https://github.com/google-deepmind/alphagenome
# into tested MCP tools in AlphaGenome_Agent.
# Read the API key from the environment variable ALPHAGENOME_API_KEY.
Готовые hosted MCP уже работают для трёх paper:
- paper2agent-alphagenome-mcp.hf.space — геномика
- paper2agent-scanpy-mcp.hf.space — single-cell анализ
- paper2agent-tissue-mcp.hf.space — spatial transcriptomics
Ограничения
- Лучше всего работает с paper, у которых есть связанный код-репозиторий — иначе системе сложно извлечь исполняемые инструменты.
- Валидация требует эталонных результатов в статье — для чисто теоретических работ не применимо.
- Текущие кейсы — геномика и single-cell биология. Применимость к другим доменам (экономика, физика, материаловедение) — открытый вопрос.
- Лицензия Nature CC BY-NC-ND ограничивает коммерческое использование сгенерированных агентов на основе их фигур.
Заключение
Paper2Agent — это не «ещё один AI-coding assistant». Это смена парадигмы научной коммуникации: paper перестаёт быть пассивным документом и становится исполняемым объектом, с которым можно вести диалог. Для исследователей это означает, что рутинная работа по воспроизведению чужих методов уходит в прошлое. Для разработчиков — что LLM-агенты становятся по-настоящему полезным инструментом, а не игрушкой для демо.
Вероятнее всего, через пару лет мы будем считать PDF-статьи с интерактивными блокнотами нормой — а пока Paper2Agent показывает, как это может выглядеть в мире MCP-агентов.
Paper: Miao et al., Nature, 2026 (doi:10.1038/s41586-026-11044-y, CC BY-NC-ND 4.0)
Код и демо: github.com/jmiao24/Paper2Agent (MIT, 2951⭐)
Платформа: paper2agent.ai
