Insilico Medicine uvádí otevřený AI toolkit Longevity ve studii v časopise Cell.

Insilico Medicine dne 17. září 2026 oznámila publikaci studie v časopise Cell, která představuje otevřeně vydaný AI toolkit pro biologii stárnutí: benchmark LongevityBench, rodinu pěti kompaktních Longevity-LLM a agentickou výzkumnou platformu Longevity Claw.

Publikace v časopise Cell

Článek „Otevřený benchmark a jazykové modely pro AI v biologii stárnutí“ se objevuje v časopise Cell, svazek 189, číslo 19, na stránkách 5980–5994.e8, datovaný 17. září 2026. Byl publikován v otevřeném přístupu pod licencí Creative Commons Attribution 4.0 s DOI 10.1016/j.cell.2026.08.026 a uvádí 13 autorů, včetně Alexe Zhavoronkova, Vladimira Naumova, Denise Sidorenka, Alexe Alipera, Ramina Hasaniho, Alexandra Aminiho, Vadima N. Gladysheva a Fedor Galkina.

Insilico uvedla, že studie byla vybrána jako hlavní obrázek čísla časopisu z 17. září 2026 a byla provedena ve spolupráci s výzkumníky z Liquid AI, Buck Institute for Research on Aging a Harvard Medical School a Brigham and Women’s Hospital.

Podle oznámení publikace v časopise Cell navazuje na studii Insilico z 7. září 2026 v časopise Nature Biotechnology, která uvádí, že rentosertib, lék objevený a navržený AI pro idiopatickou plicní fibrózu, snížil biologický věk napříč šesti nezávislými proteomickými hodinami stárnutí ve fázi IIa klinické studie.

Otevřený benchmark pro biologii stárnutí

Studie představuje LongevityBench jako otevřený soubor 17 úkolů pokrývajících pět oblastí biodat: klinické údaje, genetiku, epigenetiku, transkriptomiku a proteomiku. V souhrnu článku autoři uvádějí, že žádný existující benchmark nehodnotil, zda AI systémy dokážou interpretovat tyto heterogenní typy dat v kontextu biologie stárnutí. Podle oznámení byl benchmark navržen tak, aby snížil pravděpodobnost, že modely uspějí pouhým vybavením informací získaných během tréninku, a místo toho testoval schopnost analyzovat biologická data, rozpoznávat smysluplné vzorce a řešit problémy relevantní pro výzkum stárnutí.

Autoři použili LongevityBench k hodnocení 18 špičkových AI systémů od šesti vývojářských týmů, které oznámení uvádí jako OpenAI, Google, Anthropic, xAI, DeepSeek a Moonshot AI. Článek uvádí, že žádný jednotlivý model neovládl všechny úkoly, že výkon se měnil v závislosti na formulaci otázek a že predikce věku založená na omikách byla nejnáročnějším úkolem bez ohledu na velikost modelu.

Projektův veřejný žebříček, který sleduje 26 modelů napříč 17 úkoly, uvádí datové sady pocházející z klinických měření NHANES, GEO DNA metylace, GTEx bulk RNA-seq, Olink plazmatické proteomiky a genetických zdrojů OpenGenes a SynergyAge. Na souhrnném hodnocení žebříčku, kde nižší hodnota je lepší, je jako nejlepší špičkový model uveden Gemini 3.1 Pro s hodnotou 8,2, následován Claude Opus‑4.6 s hodnotou 9,2.

Kompaktní Longevity-LLM

Aby zjistili, zda lze tyto mezery překlenout bez zdrojů špičkové úrovně, výzkumníci doladili rodinu pěti multitaskových Longevity-LLM s rozsahem od 0,6 miliardy do 9 miliard parametrů na doménových datech stárnutí, a článek uvádí, že kompaktní modely dosáhly nebo překonaly mnohem větší špičkové systémy v benchmarku. Podle oznámení byly modely trénovány pomocí MMAI Gym for Science, kterou společnost popisuje jako výcvikové prostředí pro jazykové modely využívající její proprietární data, soubory dat pro uvažování a ověřené modely, a byly postaveny na architektuře LFM2 od Liquid AI a modelových rodinách Qwen3 a Qwen3.5 od Alibaby.

Žebříček uvádí L-Qwen3.5-9B jako nejlepší celkový systém s agregovaným hodnocením 4,4, následovaný L-LFM2-2.6B s 7,6 a L-Qwen3-1.7B s 7,8. Mezi vybranými výsledky žebříčku L-Qwen3.5-9B dosáhl shody 0,868 při predikci věku na základě GEO DNA metylace oproti 0,685 u nejlepšího špičkového modelu, a L-Qwen3-0.6B zaznamenal průměrnou absolutní chybu 5,7 roku při predikci věku pomocí Olink proteomiky oproti 10,1 roku u nejlepšího špičkového modelu, spolu s vyváženou přesností 0,890 při predikci 10‑leté úmrtnosti v NHANES.

Modely a data benchmarku jsou veřejně dostupné v kolekci Hugging Face, která zahrnuje dataset longebench a modely longevity-llm 9B, Qwen3-0.6B-Longevity, Qwen3-1.7B-Longevity, LFM2-2.6B-Longevity a LFM2-1.2B-Longevity.

Longevity Claw a autonomní objevování cílů

Tým integroval L-Qwen3.5-9B do Longevity Claw, otevřené agentické platformy, která kombinuje specializovaný model s nástroji pro analýzu obohacení genových sad, výpočet biologických hodin stárnutí, profilování na úrovni populace, vyhledávání a syntézu důkazů a hodnocení a prioritizaci kandidátních cílů. Insilico uvedla, že platforma byla navržena pro formulaci a provádění vícekrokových výzkumných pracovních postupů, nikoli pouze pro odpovídání na jednotlivé otázky.

Nasazen na 14 uznávaných znaků stárnutí, platforma nominovala 328 genů jako potenciální cíle pro zásahy proti stárnutí a kandidáti vykázali statisticky významné obohacení až 5,6‑násobku oproti nezávisle publikované referenční sadě experimentálně podložených cílů souvisejících se stárnutím, podle oznámení. Jeden nominovaný gen, KDM1A, byl nezávisle ověřen v samostatné publikované studii jako dvojí cíl pro stárnutí i rakovinu, jehož modulace prodloužila životnost u C. elegans, uvádí oznámení.

Projektový repozitář na GitHubu, publikovaný pod licencí MIT, dokumentuje LongevityClaw jako agenta, který předpovídá biologický věk pomocí 233 hodinových modelů napříč šesti modalitami s 429 165 koeficienty, spolu s referenčními soubory populace a modulem pro objevování nových cílů, který hodnotí kandidáty v šesti dimenzích, včetně novosti, lékovatelnosti, důvěry a bezpečnosti, napříč 14 znaky.

Otevřené vydání a stanovené cíle

Insilico uvedlo, že zveřejňuje benchmark, specializované modely, výukové zdroje, evaluační kód i platformu Longevity Claw, aby umožnilo nezávislé testování, validaci a další vývoj výzkumníkům po celém světě.

„Vyvíjíme benchmarkované agentní systémy, které se mohou vyvinout v personalizované asistenty pro dlouhověkost a společníky pro dlouhověkost, a nakonec pomáhat lidem sledovat a zlepšovat jejich zdravotní období,“ řekl Alex Zhavoronkov, zakladatel a spolupředseda Insilico Medicine.

Insilico uvedlo, že otevřený rámec má vědcům poskytnout společnou základnu pro měření pokroku ve výzkumu stárnutí podporovaném AI a pomoci rozlišovat systémy, které prokazují skutečné biologické uvažování, od těch, které převážně reprodukují informace obsažené v jejich tréninkových datech.