В статье представлено исследование, в котором вычисление полигенного скоринга (PGS) — важного инструмента оценки генетических рисков заболеваний — было переосмыслено как задача разреженного матричного умножения, выполняемого на графических процессорах (GPU). Ключевой инновацией является использование автономного AI-агента для автоматической оптимизации кода алгоритма скоринга без ручного вмешательства, что позволяет значительно ускорить обработку больших геномных данных. Исследователи протестировали подход на синтетических данных и реальных геномах из проекта 1000 Genomes, сравнивая результаты с эталонным инструментом pgsc_calc. На синтетическом бенчмарке оптимизированный агентом скорер показал ускорение в 71 раз по сравнению с традиционным CPU-решением, хотя обучение на синтетических данных привело к значительным расхождениям с реальными данными (максимальная разница 3.7x10^-4 против 3.1x10^-4 для эталона). Анализ показал, что вариативность траектории оптимизации самого AI-агента объясняет 91–96% разницы во времени выполнения, что подчеркивает важность стабильности алгоритмов самообучения. Финальная версия алгоритма, обученная на реальных данных, успешно обработала 3202 генома против 5385 моделей за 6.5 часов в рамках жестких ограничений памяти (72 ГБ). Результаты работы включают публикацию замороженного манифеста скоринга с аннотированными распределениями по происхождению для всего каталога PGS, что делает метод доступным для широкого медицинского сообщества. Данный подход демонстрирует потенциал ИИ-агентов в ускорении сложных биоинформатических вычислений, необходимых для персонализированной медицины и эпидемиологических исследований.