Insilico Medicine uvádí otevřený AI toolkit pro dlouhověkost 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 Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev a Fedor Galkin.

Insilico uvedla, že studie byla vybrána jako hlavní článek 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 kandidát objevený AI 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: klinická data, genetika, epigenetika, transkriptomika a proteomika. 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 informacemi získanými během tréninku, a místo toho testoval schopnost analyzovat biologická data, rozpoznávat smysluplné vzory 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 nejtěžším úkolem bez ohledu na velikost modelu.

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

Kompaktní Longevity‑LLM

Aby zjistili, zda lze tyto mezery překlenout bez zdrojů špičkové škály, výzkumníci doladili rodinu pěti multitaskových Longevity‑LLM s počtem parametrů od 0,6 miliardy do 9 miliard na doménově specifických datech o 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, který společnost popisuje jako výcvikové prostředí pro jazykové modely využívající její proprietární data, datasety pro uvažování a ověřené modely, a byly postaveny na architektuře LFM2 od Liquid AI a na modelových rodinách Qwen3 a Qwen3.5 od Alibaba.

Žebříček uvádí L-Qwen3.5-9B jako nejlepší celkový systém s agregovaným skóre 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 metylace DNA GEO oproti 0,685 u nejlepšího špičkového modelu, a L-Qwen3-0.6B zaznamenal průměrnou absolutní chybu 5,7 roku při predikci věku pomocí proteomiky Olink 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 vložil L-Qwen3.5-9B do Longevity Claw, otevřené platformy s agentními funkcemi, která kombinuje specializovaný model s nástroji pro analýzu obohacení genových sad, výpočet biologických hodin stárnutí, profilování na úrovni populace, získávání a syntézu důkazů a hodnocení a prioritizaci kandidátních cílů. Insilico uvedla, že platforma byla navržena tak, aby formulovala a prováděla vícekrokové výzkumné pracovní postupy, místo aby reagovala pouze na jednotlivé otázky.

Nasazená napříč 14 uznanými znaky stárnutí platforma nominovala 328 genů jako potenciální cíle pro zásahy proti stárnutí a kandidáti vykázali statisticky významné obohacení až 5,6‑násobně oproti nezávisle publikované referenční sadě experimentálně podpořených cílů souvisejících se stárnutím, podle oznámení. Jeden z nominovaných genů, KDM1A, byl nezávisle ověřen v samostatné publikované studii jako dvojí cíl pro stárnutí i rakovinu, jehož modulace prodloužila životnost u C. elegans, uvedlo se v oznámení.

Repozitář projektu repozitář GitHub, publikovaný pod licencí MIT, dokumentuje LongevityClaw jako agenta, který předpovídá biologický věk pomocí 233 hodinářů 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 vydává benchmark, specializované modely, výukové zdroje, evaluační kód a platformu Longevity Claw, aby umožnilo nezávislé testování, validaci a další vývoj výzkumníkům po celém světě.

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

Insilico uvedlo, že otevřený rámec má poskytnout vědcům 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.