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

Insilico Medicine am 17. September 2026 kündigte 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 listet 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 der September‑17‑2026‑Ausgabe des Journals 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, der KI‑entdeckte und KI‑entwickelte Medikamentenkandidat für idiopathische pulmonale Fibrose, das biologische Alter in sechs unabhängigen proteomischen Alterungsuhren in einer Phase‑IIa‑Studie senkte.

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 bewertet hat, ob KI‑Systeme diese heterogenen Datentypen im Kontext der Altersbiologie interpretieren können. Laut der Ankündigung wurde der Benchmark entwickelt, um die Wahrscheinlichkeit zu verringern, dass Modelle durch das Abrufen von während des Trainings erlernten Informationen erfolgreich sind, und stattdessen die Fähigkeit zu testen, biologische Daten zu analysieren, bedeutungsvolle Muster zu erkennen und Probleme zu lösen, die für die Altersforschung relevant sind.

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 Modellumfang.

Die öffentliche Rangliste des Projekts, die 26 Modelle über die 17 Aufgaben hinweg verfolgt, listet 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 aufgeführt, gefolgt von Claude Opus‑4.6 mit 9,2.

Kompakte Longevity‑LLMs

Um zu prüfen, ob diese Lücken ohne Ressourcen im Frontier‑Maßstab geschlossen werden können, haben die Forschenden eine Familie von fünf Multitask‑Longevity‑LLMs mit 0,6 Milliarden bis 9 Milliarden Parametern auf domänenspezifischen Alterungsdaten 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 seine proprietären Daten, Reasoning‑Datensätze und validierten 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 umfasst.

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 Alterungsuhren, Populations‑Profilierung, das Abrufen und Synthese von Evidenz sowie die Bewertung und Priorisierung von Zielkandidaten kombiniert. Insilico erklärte, dass die Plattform dazu entwickelt wurde, mehrstufige Forschungs‑Workflows zu formulieren und auszuführen, anstatt nur auf einzelne Fragen zu reagieren.

Auf 14 anerkannten Hallmarks des Alterns verteilt, nominierte die Plattform 328 Gene als potenzielle Ziele für Interventionen gegen das Altern, und die Kandidaten zeigten eine statistisch signifikante Anreicherung von bis zu dem 5,6‑fachen gegenüber einem unabhängig veröffentlichten Referenzsatz experimentell unterstützter, alterungsbezogener Ziele, so die Ankündigung. 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, hieß es.

Das GitHub-Repository des Projekts, veröffentlicht unter einer MIT-Lizenz, dokumentiert LongevityClaw als einen Agenten, der das biologische Alter über 233 Uhren hinweg vorhersagt, die sechs Modalitäten mit 429,165 Koeffizienten abdecken, zusammen mit Referenzdatensätzen für Populationen und einem neuartigen Zielentdeckungsmodul, 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 helfen, 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 für die Messung des Fortschritts in KI‑gestützter Alternsforschung bieten und dabei helfen soll, Systeme zu unterscheiden, die echtes biologisches Denken demonstrieren, von jenen, die hauptsächlich Informationen reproduzieren, die in ihren Trainingsdaten enthalten sind.