Insilico Medicine تُصدر مجموعة أدوات الذكاء الاصطناعي المفتوحة للشيخوخة في دراسة Cell

Insilico Medicine في 17 سبتمبر 2026 أعلنت عن نشر دراسة في Cell تُقدِّم مجموعة أدوات ذكاء اصطناعي مفتوحة للبيولوجيا الشيخوخة: معيار LongevityBench، وعائلة من خمسة نماذج Longevity-LLMs المدمجة، ومنصة البحث الوكيلة Longevity Claw.

النشر في Cell

تظهر الورقة “معيار مفتوح ونماذج لغة للذكاء الاصطناعي في بيولوجيا الشيخوخة” في Cell المجلد 189، العدد 19، الصفحات 5980–5994.e8، بتاريخ 17 سبتمبر 2026. نُشرت بنظام الوصول المفتوح تحت رخصة المشاع الإبداعي النسبة 4.0 مع معرف DOI 10.1016/j.cell.2026.08.026، وتضم 13 مؤلفًا، من بينهم Alex Zhavoronkov، Vladimir Naumov، Denis Sidorenko، Alex Aliper، Ramin Hasani، Alexander Amini، Vadim N. Gladyshev وFedor Galkin.

قالت Insilico إن الدراسة تم اختيارها كميزة الغلاف لعدد المجلة الصادر في 17 سبتمبر 2026، وقد أُجريت بالتعاون مع باحثين من Liquid AI، ومعهد باك للبحوث حول الشيخوخة، ومدرسة الطب بجامعة هارفارد ومستشفى بريغهام للنساء.

وفقًا للإعلان، يأتي نشر Cell بعد دراسة Insilico في 7 سبتمبر 2026 في Nature Biotechnology، التي أفادت بأن rentosertib، وهو المرشح الدوائي المكتشف بالذكاء الاصطناعي والمصمم بالذكاء الاصطناعي لمرض التليف الرئوي مجهول السبب، خفّض العمر البيولوجي عبر ست ساعات توقيت بروتينية مستقلة للشيخوخة في تجربة سريرية من المرحلة IIa.

معيار مفتوح لبيولوجيا الشيخوخة

تقدم الدراسة LongevityBench كمجموعة مفتوحة من 17 مهمة تغطي خمسة مجالات للبيانات الحيوية: البيانات السريرية، علم الوراثة، علم التعديل الجيني، علم النسخيات وعلم البروتينات. في ملخص الورقة، يكتب المؤلفون أنه لا معيار موجود يقيّم ما إذا كانت أنظمة الذكاء الاصطناعي قادرة على تفسير هذه الأنواع المتباينة من البيانات في سياق بيولوجيا الشيخوخة. وفقًا للإعلان، صُمم المعيار لتقليل احتمال نجاح النماذج عبر استرجاع المعلومات التي صادفتها أثناء التدريب، واختبار القدرة على تحليل البيانات البيولوجية، والتعرف على الأنماط ذات الدلالة، وحل المشكلات ذات الصلة بأبحاث الشيخوخة.

استخدم المؤلفون LongevityBench لتقييم 18 نظامًا متقدمًا للذكاء الاصطناعي من ست فرق مطورة، والتي حددها الإعلان بأنها OpenAI، Google، Anthropic، xAI، DeepSeek وMoonshot AI. تشير الورقة إلى أنه لا نموذج واحد سيطر على جميع المهام، وأن الأداء تغير باختلاف صياغة الأسئلة، وأن التنبؤ بالعمر القائم على الأوميكس كان أصعب مهمة بغض النظر عن حجم النموذج.

تُظهر لوحة المتصدرين العامة للمشروع، التي تتبع 26 نموذجًا عبر الـ 17 مهمة، مجموعات البيانات المستقاة من قياسات NHANES السريرية، وتعديل ميثيل DNA في GEO، وRNA‑seq الضخم من GTEx، وبروتيوميات بلازما Olink، وموارد الجينات OpenGenes وSynergyAge. في نتيجة الترتيب التجميعية للوحة المتصدرين، حيث يكون الرقم الأقل أفضل، يُدرج Gemini 3.1 Pro بدرجة 8.2 كأفضل نموذج متقدم، يليه Claude Opus-4.6 بدرجة 9.2.

نماذج Longevity-LLMs المدمجة

لاختبار ما إذا كان من الممكن سد تلك الفجوات دون موارد على نطاق المتقدمين، قام الباحثون بضبط عائلة من خمسة نماذج Longevity-LLMs متعددة المهام تتراوح من 0.6 مليار إلى 9 مليارات معامل على بيانات الشيخوخة المتخصصة في المجال، وتشير الورقة إلى أن النماذج المدمجة طابقت أو تفوقت على الأنظمة المتقدمة الأكبر حجمًا في المعيار. وفقًا للإعلان، تم تدريب النماذج باستخدام MMAI Gym للعلوم، الذي تصفه الشركة كمنصة تدريب للنماذج اللغوية تُطبق بياناتها الخاصة، ومجموعات بيانات الاستدلال والنماذج المُصادق عليها، وتم بناؤها على بنية LFM2 من Liquid AI وعائلات نماذج Qwen3 وQwen3.5 من Alibaba.

تُظهر لوحة المتصدرين أن L-Qwen3.5-9B هو أفضل نظام شامل بدرجة ترتيب تجميعية 4.4، يليه L-LFM2-2.6B بـ 7.6 وL-Qwen3-1.7B بـ 7.8. من بين النتائج المختارة في لوحة المتصدرين، حقق L-Qwen3.5-9B توافقًا قدره 0.868 في توقع عمر DNA‑methylation في GEO مقارنةً بـ 0.685 لأفضل نموذج متقدم، وسجل L-Qwen3-0.6B خطأً مطلقًا متوسطًا قدره 5.7 سنوات في توقع عمر البروتيوميات عبر Olink مقابل 10.1 سنة لأفضل نموذج متقدم، بالإضافة إلى دقة متوازنة قدرها 0.890 في توقع الوفيات خلال 10 سنوات وفقًا لبيانات NHANES.

النماذج وبيانات المعيار متاحة للجمهور في مجموعة Hugging Face التي تشمل مجموعة بيانات longebench ونماذج longevity-llm 9B، Qwen3-0.6B-Longevity، Qwen3-1.7B-Longevity، LFM2-2.6B-Longevity وLFM2-1.2B-Longevity.

Longevity Claw واكتشاف الأهداف المستقلة

قام الفريق بدمج L-Qwen3.5-9B في Longevity Claw، منصة مفتوحة المصدر وكيلية تجمع النموذج المتخصص مع أدوات تحليل إثراء مجموعات الجينات، وحساب ساعات العمر البيولوجي، وتوصيف المستويات السكانية، واسترجاع الأدلة وتلخيصها، وتقييم وترتيب المرشحين المستهدفين. صرّحت Insilico أن المنصة صُممت لصياغة وتنفيذ سير عمل بحثي متعدد الخطوات بدلاً من الاستجابة فقط للأسئلة الفردية.

نُشرِّط عبر 14 علامة معروفة للشيخوخة، رشّح المنصّة 328 جينًا كأهداف محتملة لتدخل الشيخوخة، وأظهرت المرشّحات غنىً إحصائيًا معنويًا يصل إلى 5.6 أضعاف مقارنةً بمجموعة مرجعية منشورة مستقلاً من الأهداف المرتبطة بالشيخوخة المدعومة تجريبيًا، وفقًا للإعلان. أحد الجينات المُرشّحة، KDM1A، تم التحقق من صحته بشكل مستقل في دراسة منشورة منفصلة كهدف مزدوج للشيخوخة والسرطان، حيث أدى تعديل هذا الجين إلى إطالة العمر في C. elegans، وفقًا للإعلان.

مستودع المشروع مستودع GitHub، المنشور تحت رخصة MIT، يوثّق LongevityClaw كوكيل يتنبأ بالعمر البيولوجي عبر 233 ساعة تغطي ستة أنماط مع 429,165 معاملًا، إلى جانب مجموعات بيانات مرجعية سكانية ووحدة اكتشاف أهداف جديدة تقيم المرشّحات عبر ستة أبعاد، بما في ذلك الجدة، والقابلية للدواء، والثقة، والسلامة، عبر الـ 14 علامة.

الإصدار المفتوح والأهداف المعلنة

قالت Insilico إنها تُصدر معيار الاختبار، والنماذج المتخصصة، وموارد التدريب، وكود التقييم، ومنصة Longevity Claw لتمكين الاختبار المستقل، والتحقق، وتطوير إضافي من قبل الباحثين حول العالم.

“نحن نطوّر أنظمة مُقَيَّمة يمكن أن تتطور إلى مساعدين شخصيين للعيش الطويل ورفقاء للعيش الطويل، في النهاية تساعد الناس على مراقبة وتحسين فترة صحتهم.” قال أليكس زافورونكوف، المؤسس والرئيس التنفيذي المشارك لشركة Insilico Medicine.

قالت Insilico إن الإطار المفتوح يهدف إلى توفير أساس مشترك للعلماء لقياس التقدم في أبحاث الشيخوخة المدعومة بالذكاء الاصطناعي، ومساعدة في تمييز الأنظمة التي تُظهر تفكيرًا بيولوجيًا حقيقيًا عن تلك التي تعيد إنتاج المعلومات الموجودة في بيانات تدريبها بصورة أساسية.