Insilico Medicine تُصدر مجموعة أدوات الذكاء الاصطناعي للعيش الطويل المفتوحة في دراسة Cell

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

النشر في Cell

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

Insilico قالت إن الدراسة تم اختيارها كميزة الغلاف لإصدار المجلة في 17 سبتمبر 2026 وتم إجراؤها مع باحثين من Liquid AI، وBuck Institute for Research on Aging، وHarvard Medical School وBrigham and Women’s Hospital.

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

معيار مفتوح لبيولوجيا الشيخوخة

تُقدِّم الدراسة LongevityBench كمجموعة مفتوحة من 17 مهمة تغطي خمسة مجالات للبيانات الحيوية: البيانات السريرية، والوراثة، والوراثة اللاجينية، والنسخيات، والبروتيوميات. 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، صُمِّم 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 نظام ذكاء اصطناعي متقدم من ست فرق مطورين، والتي حددها الإعلان كـ OpenAI، Google، Anthropic، xAI، DeepSeek وMoonshot AI. تشير الورقة إلى أنه لم يهيمن نموذج واحد على جميع المهام، وأن الأداء تغير بحسب صياغة الأسئلة، وأن توقع العمر القائم على الأوميكس كان أصعب مهمة بغض النظر عن حجم النموذج.

تُظهر لوحة الصدارة العامة للمشروع، التي تتعقب 26 نموذجًا عبر الـ 17 مهمة، مجموعات بيانات مأخوذة من قياسات NHANES السريرية، وتعديل DNA في GEO، وRNA‑seq الضخم في GTEx، وبروتيوميات بلازما Olink، وموارد الجينات OpenGenes وSynergyAge. في مجموع نقاط الترتيب الإجمالية للوحة، حيث يكون الرقم الأقل أفضل، يُدرج Gemini 3.1 Pro بـ 8.2 كأفضل نموذج متقدم، يليه Claude Opus‑4.6 بـ 9.2.

نماذج Longevity-LLM المدمجة

لاختبار ما إذا كان من الممكن سد هذه الفجوات دون موارد على مستوى الحدود المتقدمة، قام الباحثون بضبط عائلة مكوّنة من خمسة نماذج Longevity-LLM متعددة المهام تتراوح بين 0.6 مليار و9 مليارات معامل على بيانات الشيخوخة المتخصصة، 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 من Insilico، التي تصفها الشركة بأنها ساحة تدريب للنماذج اللغوية تطبق بياناتها الخاصة، ومجموعات بيانات الاستدلال والنماذج المُصدقة، وتم بناؤها على بنية LFM2 من Liquid AI وعائلات نماذج Qwen3 وQwen3.5 من Alibaba.

تُظهر لوحة الصدارة أن L-Qwen3.5-9B هو أفضل نظام إجمالي بدرجة ترتيب إجمالية 4.4، يليه L-LFM2-2.6B بـ 7.6 وL-Qwen3-1.7B بـ 7.8. من بين النتائج المختارة في لوحة الصدارة، وصل L-Qwen3.5-9B إلى توافق 0.868 في توقع العمر بناءً على تعديل DNA في GEO مقارنةً بـ 0.685 لأفضل نموذج متقدم، وسجل L-Qwen3-0.6B خطأً مطلقًا متوسطًا قدره 5.7 سنوات في توقع العمر البروتيني باستخدام Olink مقارنةً بـ 10.1 سنوات لأفضل نموذج متقدم، بالإضافة إلى دقة متوازنة 0.890 في توقع الوفيات خلال 10 سنوات في 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 وكيلة مفتوحة المصدر تجمع النموذج المتخصص مع أدوات لتحليل إثراء مجموعات الجينات، وحساب ساعات العمر البيولوجي، وتوصيف مستوى السكان، واسترجاع الأدلة وتلخيصها، وتقييم وترتيب الأهداف المرشحة. صرّحت Insilico أن المنصة صُممت لصياغة وتنفيذ سير عمل بحثي متعدد الخطوات بدلاً من الاستجابة فقط للأسئلة الفردية.

موزعة عبر 14 سمة معترف بها للشيخوخة، رشّحت المنصة 328 جينًا كأهداف محتملة لتدخل الشيخوخة، وأظهرت المرشحات إثراءً إحصائيًا معنويًا يصل إلى 5.6 أضعاف مقارنةً بمجموعة مرجعية منشورة مستقلة من الأهداف المدعومة تجريبيًا المتعلقة بالشيخوخة، وفقًا للإعلان. أحد الجينات المرشحة، KDM1A، تم التحقق من صحته بشكل مستقل في دراسة منشورة منفصلة كهدف مزدوج للشيخوخة والسرطان، حيث أدى تعديل نشاطه إلى إطالة عمر C. elegans، حسب ما جاء في الإعلان.

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 تُقيّم المرشحات على ستة أبعاد، بما في ذلك الجدة، وقابلية الدواء، والثقة، والسلامة، عبر الـ 14 سمة.

الإصدار المفتوح والأهداف المعلنة

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

قال أليكس زافورونكوف، مؤسس وشريك الرئيس التنفيذي لشركة Insilico Medicine: “نحن نطور أنظمة موثقة يمكن أن تتطور إلى مساعدين شخصيين للعيش الطويل ورفقاء للعيش الطويل، وفي النهاية تساعد الناس على مراقبة وتحسين فترة صحتهم.”

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 استدلالًا بيولوجيًا حقيقيًا عن تلك التي تعيد إنتاج المعلومات الموجودة في بيانات تدريبها أساسًا.