Η Insilico Medicine παρουσιάζει ανοιχτό σύνολο εργαλείων AI μακροζωίας σε μελέτη στο Cell

Η Insilico Medicine στις 17 Σεπτεμβρίου 2026 ανακοίνωσε τη δημοσίευση μιας μελέτης στο Cell που παρουσιάζει ένα ανοιχτά κυκλοφορημένο σύνολο εργαλείων AI για τη βιολογία της γήρανσης: το benchmark LongevityBench, μια οικογένεια πέντε συμπαγών Longevity-LLM και την πλατφόρμα ερευνητικών πρακτόρων Longevity Claw.

Δημοσίευση στο Cell

Το άρθρο, “Ένα ανοιχτό benchmark και μοντέλα γλώσσας για AI στη βιολογία της γήρανσης“, εμφανίζεται στο Cell τόμος 189, τεύχος 19, σε σελίδες 5980–5994.e8, ημερομηνίας 17 Σεπτεμβρίου 2026. Δημοσιεύτηκε ανοιχτής πρόσβασης υπό άδεια Creative Commons Attribution 4.0 με το DOI 10.1016/j.cell.2026.08.026, και περιλαμβάνει 13 συγγραφείς, μεταξύ των οποίων οι Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev και Fedor Galkin.

Η Insilico δήλωσε ότι η μελέτη επιλέχθηκε ως εξώφυλλο του τεύχους του περιοδικού της 17 Σεπτεμβρίου 2026 και διεξήχθη με ερευνητές από τη Liquid AI, το Buck Institute for Research on Aging και το Harvard Medical School και το Brigham and Women’s Hospital.

Σύμφωνα με την ανακοίνωση, η δημοσίευση στο Cell ακολουθεί τη μελέτη της Insilico στις 7 Σεπτεμβρίου 2026 στο Nature Biotechnology, η οποία ανέφερε ότι το rentosertib, το φάρμακο υποψήφιο, ανακαλυφθέν και σχεδιασμένος από AI, για την ιδιοπαθή πνευμονική ίνωση, μείωσε τη βιολογική ηλικία σε έξι ανεξάρτητα ρολόγια γήρανσης πρωτεομικής ανάλυσης σε κλινική δοκιμή φάσης IIa.

Ένα ανοιχτό benchmark για τη βιολογία της γήρανσης

Η μελέτη παρουσιάζει το LongevityBench ως ένα ανοιχτό σύνολο 17 εργασιών που καλύπτουν πέντε τομείς βιοδεδομένων: κλινικά δεδομένα, γενετική, επιγενετική, μεταγραφομετρία και πρωτεομετρία. Στην περίληψη του άρθρου, οι συγγραφείς γράφουν ότι κανένα υπάρχον benchmark δεν αξιολόγησε αν τα συστήματα AI μπορούν να ερμηνεύσουν αυτούς τους ετερογενείς τύπους δεδομένων στο πλαίσιο της βιολογίας της γήρανσης. Σύμφωνα με την ανακοίνωση, το benchmark σχεδιάστηκε για να μειώσει την πιθανότητα τα μοντέλα να πετύχουν μέσω ανάκλησης πληροφοριών που είχαν συναντήσει κατά την εκπαίδευση, δοκιμάζοντας αντίθετα την ικανότητα ανάλυσης βιολογικών δεδομένων, την αναγνώριση ουσιαστικών προτύπων και την επίλυση προβλημάτων σχετικών με την έρευνα γήρανσης.

Οι συγγραφείς χρησιμοποίησαν το LongevityBench για να αξιολογήσουν 18 πρωτοποριακά συστήματα AI από έξι ομάδες προγραμματιστών, που η ανακοίνωση τα αναγνωρίζει ως OpenAI, Google, Anthropic, xAI, DeepSeek και Moonshot AI. Το άρθρο αναφέρει ότι κανένα μοντέλο δεν κυριάρχησε σε όλες τις εργασίες, ότι η απόδοση μεταβλήθηκε ανάλογα με τη διατύπωση των ερωτήσεων, και ότι η πρόβλεψη ηλικίας βάσει ομικών δεδομένων ήταν η πιο δύσκολη εργασία ανεξαρτήτως κλίμακας μοντέλου.

Η δημόσια κατάταξη του έργου, η οποία παρακολουθεί 26 μοντέλα σε όλες τις 17 εργασίες, παραθέτει σύνολα δεδομένων από τις κλινικές μετρήσεις NHANES, τη μεθυλίωση DNA GEO, το bulk RNA‑seq GTEx, την πλασματική πρωτεομετρία Olink, καθώς και τους γενετικούς πόρους OpenGenes και SynergyAge. Στο συνολικό σκορ κατάταξης της κατάταξης, όπου το χαμηλότερο είναι καλύτερο, το Gemini 3.1 Pro με 8.2 καταχωρείται ως το καλύτερο μοντέλο frontier, με το Claude Opus‑4.6 στο 9.2.

Συμπαγή Longevity-LLM

Για να ελεγχθεί εάν αυτά τα κενά μπορούν να καλυφθούν χωρίς πόρους frontier‑scale, οι ερευνητές έκαναν fine‑tuning σε μια οικογένεια πέντε πολυ‑εργασιακών Longevity‑LLM, με αριθμό παραμέτρων από 0,6 δισεκατομμύρια έως 9 δισεκατομμύρια, σε δεδομένα γήρανσης ειδικών τομέων, και το άρθρο αναφέρει ότι τα συμπαγή μοντέλα αντιστοίχισαν ή ξεπέρασαν πολύ μεγαλύτερα συστήματα frontier στο benchmark. Σύμφωνα με την ανακοίνωση, τα μοντέλα εκπαιδεύτηκαν χρησιμοποιώντας το MMAI Gym της Insilico για την Επιστήμη, το οποίο η εταιρεία περιγράφει ως χώρο εκπαίδευσης για μοντέλα γλώσσας που εφαρμόζει τα ιδιόκτητά της δεδομένα, σύνολα δεδομένων λογικής και επικυρωμένα μοντέλα, και κατασκευάστηκαν πάνω στην αρχιτεκτονική LFM2 της Liquid AI και τις οικογένειες μοντέλων Qwen3 και Qwen3.5 της Alibaba.

Η κατάταξη παραθέτει το L‑Qwen3.5‑9B ως το καλύτερο συνολικό σύστημα με συνολικό σκορ κατάταξης 4.4, ακολουθούμενο από το L‑LFM2‑2.6B με 7.6 και το L‑Qwen3‑1.7B με 7.8. Μεταξύ των επιλεγμένων αποτελεσμάτων της κατάταξης, το L‑Qwen3.5‑9B πέτυχε συμφωνία 0.868 στην πρόβλεψη ηλικίας DNA‑μεθυλίωσης GEO σε σύγκριση με 0.685 για το καλύτερο μοντέλο frontier, και το L‑Qwen3‑0.6B κατέγραψε μέσο απόλυτο σφάλμα 5.7 έτη στην πρόβλεψη ηλικίας πρωτεομετρίας Olink σε σύγκριση με 10.1 έτη για το καλύτερο μοντέλο frontier, μαζί με ισορροπημένη ακρίβεια 0.890 στην πρόβλεψη 10‑ετούς θνησιμότητας NHANES.

Τα μοντέλα και τα δεδομένα benchmark είναι δημόσια διαθέσιμα σε μια συλλογή Hugging Face που περιλαμβάνει το σύνολο δεδομένων longebench και τα μοντέλα longevity‑llm 9B, Qwen3‑0.6B‑Longevity, Qwen3‑1.7B‑Longevity, LFM2‑2.6B‑Longevity και LFM2‑1.2B‑Longevity.

Longevity Claw και αυτόματη ανακάλυψη στόχων

Η ομάδα ενσωμάτωσε το L‑Qwen3.5‑9B στην Longevity Claw, μια ανοιχτού κώδικα πλατφόρμα πρακτόρων που συνδυάζει το εξειδικευμένο μοντέλο με εργαλεία ανάλυσης εμπλουτισμού συνόλων γονιδίων, υπολογισμού βιολογικών ρολογιών γήρανσης, προφίλ σε επίπεδο πληθυσμού, ανάκτηση και σύνθεση αποδείξεων, καθώς και αξιολόγηση και προτεραιοποίηση υποψήφιων στόχων. Η Insilico δήλωσε ότι η πλατφόρμα σχεδιάστηκε για να διαμορφώνει και να εκτελεί πολυ‑βήματικές ερευνητικές ροές εργασίας αντί να ανταποκρίνεται μόνο σε μεμονωμένες ερωτήσεις.

Αναπτυγμένη σε 14 αναγνωρισμένα χαρακτηριστικά της γήρανσης, η πλατφόρμα πρότεινε 328 γονίδια ως πιθανά στόχους παρέμβασης στη γήρανση, και οι υποψήφιοι έδειξαν στατιστικά σημαντική ενίσχυση έως και 5,6‑πλάσια σε σχέση με ένα ανεξάρτητα δημοσιευμένο σύνολο αναφοράς πειραματικά υποστηριζόμενων στόχων σχετικών με τη γήρανση, σύμφωνα με την ανακοίνωση. Ένα από τα προτεινόμενα γονίδια, το KDM1A, επικυρώθηκε ανεξάρτητα σε ξεχωριστή δημοσιευμένη μελέτη ως διπλού σκοπού στόχος για τη γήρανση και τον καρκίνο, του οποίου η διαμόρφωση επέτεινε τη διάρκεια ζωής στο C. elegans, ανέφερε η ανακοίνωση.

Το αποθετήριο GitHub του έργου, δημοσιευμένο υπό άδεια MIT, τεκμηριώνει το LongevityClaw ως έναν πράκτορα που προβλέπει τη βιολογική ηλικία μέσω 233 ρολογιών που καλύπτουν έξι μορφές με 429.165 συντελεστές, μαζί με σύνολα δεδομένων αναφοράς πληθυσμού και μια μονάδα ανακάλυψης νέων στόχων που αξιολογεί τους υποψήφιους σε έξι διαστάσεις, συμπεριλαμβανομένης της καινοτομίας, της φαρμακοδυνατότητας, της εμπιστοσύνης και της ασφάλειας, σε όλα τα 14 χαρακτηριστικά.

Ανοιχτή Κυκλοφορία και Δηλωμένοι Στόχοι

Η Insilico δήλωσε ότι κυκλοφορεί το benchmark, τα εξειδικευμένα μοντέλα, τους πόρους εκπαίδευσης, τον κώδικα αξιολόγησης και την πλατφόρμα Longevity Claw ώστε να επιτρέπεται ανεξάρτητη δοκιμή, επικύρωση και περαιτέρω ανάπτυξη από ερευνητές παγκοσμίως.

«Αναπτύσσουμε συστήματα με βάση benchmark, πράκτορες, που μπορούν να εξελιχθούν σε προσωπικούς βοηθούς μακροζωίας και συντρόφους μακροζωίας, βοηθώντας τελικά τους ανθρώπους να παρακολουθούν και να βελτιώνουν το healthspan τους», δήλωσε ο Alex Zhavoronkov, ιδρυτής και συν-Διευθύνων Σύμβουλος της Insilico Medicine.

Η Insilico δήλωσε ότι το ανοιχτό πλαίσιο προορίζεται να παρέχει στους επιστήμονες ένα κοινό θεμέλιο για τη μέτρηση της προόδου στην έρευνα γήρανσης με υποστήριξη AI και να βοηθήσει στη διάκριση των συστημάτων που επιδεικνύουν πραγματική βιολογική λογική από εκείνα που κυρίως αναπαράγουν πληροφορίες που περιέχονται στα δεδομένα εκπαίδευσής τους.