Insilico Medicine frigiver åbent Longevity AI‑værktøjssæt i Cell‑studie

Insilico Medicine den 17. september 2026 annoncerede offentliggørelsen af en undersøgelse i Cell, der introducerer et åbent frigivet AI‑værktøjssæt for aldringsbiologi: LongevityBench‑benchmarken, en familie på fem kompakte Longevity‑LLM’er og Longevity Claw‑agentisk forskningsplatform.

Udgivelse i Cell

Papiret, “Et åbent benchmark og sprogmodeller for AI i aldringsbiologi,” fremgår af Cell bind 189, nummer 19, på siderne 5980–5994.e8, dateret den 17. september 2026. Det blev udgivet som open access under en Creative Commons Attribution 4.0‑licens med DOI 10.1016/j.cell.2026.08.026, og det opregner 13 forfattere, herunder Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev og Fedor Galkin.

Insilico oplyste, at undersøgelsen blev udvalgt som forsideartikel i tidsskriftets udgave den 17. september 2026 og blev udført sammen med forskere fra Liquid AI, Buck Institute for Research on Aging samt Harvard Medical School og Brigham and Women’s Hospital.

Ifølge meddelelsen følger Cell‑publikationen Insilicos undersøgelse den 7. september 2026 i Nature Biotechnology, som rapporterede, at rentosertib, virksomhedens AI‑opdagede og AI‑designede lægemiddelkandidat til idiopatisk pulmonal fibrose, sænkede den biologiske alder på tværs af seks uafhængige proteomiske aldringsure i en fase‑IIa‑klinikundersøgelse.

Et åbent benchmark for aldringsbiologi

Undersøgelsen introducerer LongevityBench som en åben samling af 17 opgaver, der dækker fem biodata‑domæner: kliniske data, genetik, epigenetik, transkriptomik og proteomik. I papirens resumé skriver forfatterne, at intet eksisterende benchmark har evalueret, om AI‑systemer kan fortolke disse heterogene datatyper i aldringsbiologiens kontekst. Ifølge meddelelsen er benchmarket designet til at mindske sandsynligheden for, at modeller kan lykkes ved blot at genkalde information fra træning, og i stedet teste evnen til at analysere biologiske data, genkende meningsfulde mønstre og løse problemer, der er relevante for aldringsforskning.

Forfatterne anvendte LongevityBench til at vurdere 18 frontier‑AI‑systemer fra seks udviklerteams, som meddelelsen identificerer som OpenAI, Google, Anthropic, xAI, DeepSeek og Moonshot AI. Papiret rapporterer, at ingen enkelt model dominerede alle opgaver, at præstationen ændrede sig afhængigt af, hvordan spørgsmålene blev formuleret, og at aldersforudsigelse baseret på omics var den sværeste opgave uanset modelstørrelse.

Projektets offentlige rangliste, som sporer 26 modeller på tværs af de 17 opgaver, indeholder datasæt fra NHANES kliniske målinger, GEO DNA‑metylation, GTEx bulk‑RNA‑seq, Olink plasma‑proteomik samt OpenGenes‑ og SynergyAge‑genetikressourcer. På ranglistens samlede rangscore, hvor lavere er bedre, er Gemini 3.1 Pro med 8,2 opført som den bedste frontier‑model, efterfulgt af Claude Opus‑4.6 med 9,2.

Kompakte Longevity‑LLM’er

For at undersøge, om disse huller kunne lukkes uden frontier‑skala ressourcer, finjusterede forskerne en familie på fem multitask‑Longevity‑LLM’er med mellem 0,6 milliarder og 9 milliarder parametre på domænespecifik aldringsdata, og papiret rapporterer, at de kompakte modeller matchede eller overgik langt større frontier‑systemer på benchmarket. Ifølge meddelelsen blev modellerne trænet ved hjælp af Insilicos MMAI Gym for Science, som virksomheden beskriver som en træningsplatform for sprogmodeller, der anvender deres proprietære data, resonnerings‑datasæt og validerede modeller, og de er bygget på Liquid AI’s LFM2‑arkitektur samt Alibabas Qwen3‑ og Qwen3.5‑modelfamilier.

Ranglisten viser L‑Qwen3.5‑9B som det bedste samlede system med en samlet rangscore på 4,4, efterfulgt af L‑LFM2‑2,6B med 7,6 og L‑Qwen3‑1,7B med 7,8. Blandt ranglistens udvalgte resultater opnåede L‑Qwen3.5‑9B en koncordans på 0,868 i GEO DNA‑metylations‑aldersforudsigelse versus 0,685 for den bedste frontier‑model, og L‑Qwen3‑0,6B registrerede en gennemsnitlig absolut fejl på 5,7 år i Olink proteomisk aldersforudsigelse versus 10,1 år for den bedste frontier‑model, samt en balanceret nøjagtighed på 0,890 i NHANES‑10‑års dødelighedsforudsigelse.

Modellerne og benchmark‑dataene er offentligt tilgængelige i en Hugging Face‑samling, som indeholder longebench‑datasættet samt longevity‑llm 9B, Qwen3‑0.6B‑Longevity, Qwen3‑1.7B‑Longevity, LFM2‑2.6B‑Longevity og LFM2‑1.2B‑Longevity‑modeller.

Longevity Claw og autonom målopdagelse

Teamet integrerede L‑Qwen3.5‑9B i Longevity Claw, en open‑source agentisk platform, der kombinerer den specialiserede model med værktøjer til gen‑sæt berigelsesanalyse, beregning af biologisk aldrings‑ur, profilering på befolkningsniveau, indhentning og syntese af evidens samt evaluering og prioritering af kandidat‑mål. Insilico oplyste, at platformen er designet til at formulere og udføre flertrinsforsknings‑arbejdsgange frem for kun at svare på enkeltspørgsmål.

Platformen, som er implementeret på tværs af 14 anerkendte aldringshallmarks, udpegede 328 gener som potentielle mål for aldringsintervention, og kandidaterne viste statistisk signifikant berigelse på op til 5,6‑fold i forhold til et uafhængigt offentliggjort reference‑sæt af eksperimentelt understøttede aldringsrelaterede mål, ifølge meddelelsen. Et udpeget gen, KDM1A, blev uafhængigt bekræftet i en separat offentliggjort undersøgelse som et dobbeltformålsmål for aldring og kræft, hvor modulation af det forlængede levetiden hos C. elegans, sagde meddelelsen.

Projektets GitHub repository, udgivet under en MIT‑licens, dokumenterer LongevityClaw som en agent, der forudsiger biologisk alder på tværs af 233 ure, der dækker seks modaliteter med 429.165 koefficienter, sammen med populationsreference‑datasæt og en ny‑mål‑opdagelses‑modul, der vurderer kandidater på seks dimensioner, herunder nyhed, lægemiddelformåenhed, tillid og sikkerhed, på tværs af de 14 hallmarks.

Åben udgivelse og angivne mål

Insilico oplyser, at de frigiver benchmarken, de specialiserede modeller, træningsressourcer, evalueringskode og Longevity Claw‑platformen for at muliggøre uafhængig test, validering og videre udvikling af forskere verden over.

„Vi udvikler benchmarkede, agentbaserede systemer, der kan udvikle sig til personlige levetidsassistenter og levetidsfølgesvende, som i sidste ende hjælper folk med at overvåge og forbedre deres healthspan,“ sagde Alex Zhavoronkov, grundlægger og med‑CEO for Insilico Medicine.

Insilico oplyser, at den åbne ramme er beregnet til at give forskere et fælles grundlag for at måle fremskridt inden for AI‑drevet aldringsforskning og til at hjælpe med at skelne systemer, der viser ægte biologisk ræsonnement, fra dem der primært gengiver information indeholdt i deres træningsdata.