Insilico Medicine veröffentlicht Open Longevity KI-Toolkit in Cell-Studie

Insilico Medicine hat am 17. September 2026 bekanntgegeben die Veröffentlichung einer Studie in Cell, die ein offen bereitgestelltes KI-Toolkit für die Altersbiologie vorstellt: den LongevityBench-Benchmark, eine Familie von fünf kompakten Longevity-LLMs und die Longevity Claw agentische Forschungsplattform.

Veröffentlichung in Cell

Das Papier, “Ein offener Benchmark und Sprachmodelle für KI in der Altersbiologie,” erscheint in Cell Band 189, Ausgabe 19, auf den Seiten 5980–5994.e8, datiert auf den 17. September 2026. Es wurde Open Access unter einer Creative Commons Attribution 4.0 Lizenz veröffentlicht, DOI 10.1016/j.cell.2026.08.026, und führt 13 Autoren auf, darunter Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev und Fedor Galkin.

Insilico erklärte, dass die Studie als Titelbild des Journalausgabe vom 17. September 2026 ausgewählt wurde und in Zusammenarbeit mit Forschern von Liquid AI, dem Buck Institute for Research on Aging sowie der Harvard Medical School und dem Brigham and Women’s Hospital durchgeführt wurde.

Laut der Ankündigung folgt die Cell-Veröffentlichung auf Insilicos Studie vom 7. September 2026 in Nature Biotechnology, die berichtete, dass Rentosertib, das KI-gefundene und KI-entwickelte Medikamentenkandidat für idiopathische Lungenfibrose, das biologische Alter in sechs unabhängigen proteomischen Alterungsuhren in einer Phase‑IIa‑Studie reduzierte.

Ein offener Benchmark für die Altersbiologie

Die Studie stellt LongevityBench als offene Suite von 17 Aufgaben vor, die fünf Biodaten‑Domänen abdecken: klinische Daten, Genetik, Epigenetik, Transkriptomik und Proteomik. Im Zusammenfassung des Papiers schreiben die Autoren, dass kein bestehender Benchmark evaluiert hat, ob KI‑Systeme diese heterogenen Datentypen im Kontext der Altersbiologie interpretieren können. Laut der Ankündigung wurde der Benchmark so konzipiert, dass die Wahrscheinlichkeit reduziert wird, dass Modelle durch das Abrufen von während des Trainings gelernten Informationen Erfolg haben, und stattdessen die Fähigkeit testen, biologische Daten zu analysieren, sinnvolle Muster zu erkennen und Probleme, die für die Altersforschung relevant sind, zu lösen.

Die Autoren nutzten LongevityBench, um 18 fortschrittliche KI‑Systeme von sechs Entwicklerteams zu bewerten, die in der Ankündigung als OpenAI, Google, Anthropic, xAI, DeepSeek und Moonshot AI benannt werden. Das Papier berichtet, dass kein einzelnes Modell alle Aufgaben dominierte, dass die Leistung je nach Formulierung der Fragen variierte und dass die omik‑basierte Altersvorhersage die schwierigste Aufgabe war, unabhängig vom Modell‑Umfang.

Die öffentliche Rangliste des Projekts, die 26 Modelle über die 17 Aufgaben hinweg verfolgt, führt Datensätze aus den NHANES‑klinischen Messungen, GEO‑DNA‑Methylierung, GTEx‑Bulk‑RNA‑seq, Olink‑Plasma‑Proteomik sowie den Genetik‑Ressourcen OpenGenes und SynergyAge auf. Im aggregierten Rangwert der Rangliste, wobei ein niedrigerer Wert besser ist, wird Gemini 3.1 Pro mit 8,2 als bestes Frontier‑Modell gelistet, gefolgt von Claude Opus‑4.6 mit 9,2.

Kompakte Longevity‑LLMs

Um zu prüfen, ob diese Lücken ohne Ressourcen im Frontier‑Umfang geschlossen werden können, haben die Forschenden eine Familie von fünf Multitask‑Longevity‑LLMs mit 0,6 Mrd. bis 9 Mrd. Parametern auf domänenspezifischen Altersdaten feinabgestimmt, und das Papier berichtet, dass die kompakten Modelle die deutlich größeren Frontier‑Systeme im Benchmark erreichten oder übertrafen. Laut der Ankündigung wurden die Modelle mit Insilicos MMAI Gym for Science trainiert, das das Unternehmen als Trainingsumgebung für Sprachmodelle beschreibt, die proprietäre Daten, Reasoning‑Datensätze und validierte Modelle nutzt, und sie basieren auf Liquid AI‑s LFM2‑Architektur sowie Alibabas Qwen3‑ und Qwen3.5‑Modellfamilien.

Die Rangliste führt L‑Qwen3.5‑9B als bestes Gesamtsystem mit einem aggregierten Rangwert von 4,4 auf, gefolgt von L‑LFM2‑2.6B mit 7,6 und L‑Qwen3‑1.7B mit 7,8. Unter den ausgewählten Ergebnissen der Rangliste erreichte L‑Qwen3.5‑9B eine Konkordanz von 0,868 bei der GEO‑DNA‑Methylierungs‑Altersvorhersage gegenüber 0,685 für das beste Frontier‑Modell, und L‑Qwen3‑0.6B erzielte einen mittleren absoluten Fehler von 5,7 Jahren bei der Olink‑Proteom‑Altersvorhersage gegenüber 10,1 Jahren für das beste Frontier‑Modell, sowie eine ausgewogene Genauigkeit von 0,890 bei der NHANES‑10‑Jahres‑Mortalitätsvorhersage.

Die Modelle und Benchmark‑Daten sind öffentlich in einer Hugging-Face-Sammlung verfügbar, die den longebench‑Datensatz sowie die Modelle longevity‑llm 9B, Qwen3‑0.6B‑Longevity, Qwen3‑1.7B‑Longevity, LFM2‑2.6B‑Longevity und LFM2‑1.2B‑Longevity enthält.

Longevity Claw und autonome Zielentdeckung

Das Team integrierte L‑Qwen3.5‑9B in Longevity Claw, eine Open‑Source‑agentische Plattform, die das spezialisierte Modell mit Werkzeugen für die Gen‑Set‑Enrichment‑Analyse, die Berechnung biologischer Altersuhren, die Profilierung auf Bevölkerungsebene, das Abrufen und Synthese von Evidenz sowie die Bewertung und Priorisierung von Zielkandidaten kombiniert. Insilico erklärte, dass die Plattform darauf ausgelegt sei, mehrstufige Forschungs‑Workflows zu formulieren und auszuführen, anstatt nur einzelne Fragen zu beantworten.

Das auf 14 anerkannten Hallmarks des Alterns basierende System nominierte 328 Gene als potenzielle Ziele für Interventionen gegen das Altern, und die Kandidaten zeigten laut Ankündigung eine statistisch signifikante Anreicherung von bis zu dem 5,6‑fachen im Vergleich zu einem unabhängig veröffentlichten Referenzsatz experimentell bestätigter, alterungsbezogener Zielgene. Ein nominiertes Gen, KDM1A, wurde in einer separaten veröffentlichten Studie unabhängig validiert als ein dualer Zielpunkt für Alter und Krebs, dessen Modulation die Lebensdauer von C. elegans verlängerte, so die Ankündigung.

Das GitHub-Repository des Projekts, das unter einer MIT-Lizenz veröffentlicht wurde, dokumentiert LongevityClaw als einen Agenten, der das biologische Alter anhand von 233 Uhren aus sechs Modalitäten mit 429.165 Koeffizienten vorhersagt, zusammen mit Referenzdatensätzen der Bevölkerung und einem Modul zur Entdeckung neuartiger Ziele, das Kandidaten anhand von sechs Dimensionen bewertet, darunter Neuheit, Medikamentierbarkeit, Vertrauen und Sicherheit, über die 14 Hallmarks.

Offene Veröffentlichung und erklärte Ziele

Insilico erklärte, dass es den Benchmark, die spezialisierten Modelle, Trainingsressourcen, den Evaluierungscode und die Longevity‑Claw‑Plattform veröffentlicht, um unabhängige Tests, Validierungen und Weiterentwicklungen durch Forschende weltweit zu ermöglichen.

„Wir entwickeln benchmarkte, agentische Systeme, die sich zu personalisierten Longevity‑Assistenten und Longevity‑Begleitern entwickeln können und letztlich Menschen dabei unterstützen, ihre Gesundheitsspanne zu überwachen und zu verbessern“, sagte Alex Zhavoronkov, Gründer und Co‑CEO von Insilico Medicine.

Insilico erklärte, dass das offene Framework Wissenschaftlern eine gemeinsame Grundlage bieten soll, um Fortschritte in der KI‑gestützten Alternsforschung zu messen, und dabei helfen soll, Systeme zu unterscheiden, die echtes biologisches Denken zeigen, von solchen, die hauptsächlich Informationen aus ihren Trainingsdaten reproduzieren.