Η Insilico Medicine κυκλοφορεί ανοιχτό AI Toolkit μακροζωίας σε μελέτη στο Cell

Η Insilico Medicine στις 17 Σεπτεμβρίου 2026 ανακοίνωσε τη δημοσίευση μιας μελέτης στο Cell που παρουσιάζει ένα ανοιχτά κυκλοφορημένο AI toolkit για τη βιολογία της γήρανσης: το benchmark LongevityBench, μια σειρά πέντε συμπαγών Longevity-LLMs, και την πλατφόρμα έρευνας 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, με ημερομηνία 17 Σεπτεμβρίου 2026. Δημοσιεύθηκε ανοιχτής πρόσβασης υπό άδεια Creative Commons Attribution 4.0 με DOI 10.1016/j.cell.2026.08.026, και παραθέτει 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 της περιοδικής έκδοσης 17 Σεπτεμβρίου 2026 και πραγματοποιήθηκε με ερευνητές από τη Liquid AI, το Buck Institute for Research on Aging, καθώς και τη 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 υποψήφιο φάρμακο, ανακαλυφθέν και σχεδιασμένο από AI, για την ιδιοπαθή πνευμονική ίνωση, μείωσε τη βιολογική ηλικία σε έξι ανεξάρτητα ρολόγια proteomic γήρανσης 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 σημειώνουν ότι κανένα υπάρχον benchmark δεν αξιολόγησε εάν 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 επιτύχουν μέσω ανάκλησης πληροφοριών που είχαν συναντήσει κατά την εκπαίδευση, δοκιμάζοντας αντίθετα την ικανότητα ανάλυσης βιολογικών δεδομένων, την αναγνώριση σημαντικών προτύπων και την επίλυση προβλημάτων σχετικών με την έρευνα γήρανσης.

Οι συγγραφείς χρησιμοποίησαν το LongevityBench για την αξιολόγηση 18 κορυφαίων συστημάτων AI από έξι ομάδες προγραμματιστών, που η ανακοίνωση αναφέρει 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 ανεξάρτητα από το μέγεθος του μοντέλου.

Το δημόκο πίνακα κατάταξης του έργου, που παρακολουθεί 26 μοντέλα σε όλες τις 17 εργασίες, περιλαμβάνει σύνολα δεδομένων από κλινικές μετρήσεις NHANES, μεθυλίωση DNA GEO, μαζική RNA‑seq GTEx, πρωτεομετρία πλάσματος Olink, καθώς και τις γενετικές πηγές OpenGenes και SynergyAge. Στο συνολικό σκορ κατάταξης του πίνακα, όπου το χαμηλότερο είναι καλύτερο, το Gemini 3.1 Pro με 8,2 κατατάσσεται ως το καλύτερο μοντέλο frontier, ακολουθούμενο από το Claude Opus‑4.6 με 9,2.

Συμπαγή Longevity‑LLMs

Για να ελεγχθεί εάν τα κενά αυτά μπορούν να καλυφθούν χωρίς πόρους κλίμακας frontier, οι ερευνητές βελτίωσαν μια σειρά πέντε πολυεργασιακών Longevity‑LLMs με αριθμό παραμέτρων από 0,6 δισεκατομμύρια έως 9 δισεκατομμύρια, χρησιμοποιώντας δεδομένα γήρανσης ειδικά για τον τομέα, και το άρθρο αναφέρει ότι τα συμπαγή μοντέλα ταιριάζουν ή υπερβαίνουν πολύ μεγαλύτερα συστήματα frontier στο benchmark. Σύμφωνα με την ανακοίνωση, τα μοντέλα εκπαιδεύτηκαν με τη χρήση του MMAI Gym for Science της Insilico, 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 στις οικογένειες μοντέλων Qwen3 και Qwen3.5 της Alibaba.

Ο πίνακας κατάταξης καταγράφει το L‑Qwen3.5‑9B ως το καλύτερο συνολικό σύστημα με συνολικό σκορ 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 του πίνακα, το L‑Qwen3.5‑9B πέτυχε συνάφεια 0,868 στην πρόβλεψη ηλικίας με μεθυλίωση DNA GEO σε σύγκριση με 0,685 για το καλύτερο μοντέλο frontier, ενώ το L‑Qwen3‑0.6B κατέγραψε μέσο απόλυτο σφάλμα 5,7 έτη στην πρόβλεψη ηλικίας με πρωτεομετρία Olink σε σύγκριση με 10,1 έτη για το καλύτερο μοντέλο frontier, καθώς και ισορροπημένη ακρίβεια 0,890 στην πρόβλεψη 10‑ετούς θνησιμότητας NHANES.

Τα μοντέλα και τα δεδομένα benchmark είναι διαθέσιμα δημόσια 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 Αυτόνομη Ανακάλυψη Στόχων

Η ομάδα ενσωμάτωσε το L‑Qwen3.5‑9B στην Longevity Claw, μια ανοιχτού κώδικα πλατφόρμα agentic που συνδυάζει το εξειδικευμένο μοντέλο με εργαλεία ανάλυσης εμπλουτισμού συνόλων γονιδίων, υπολογισμού βιολογικού ρολογιού 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 πολυβήματες ερευνητικές ροές εργασίας αντί να ανταποκρίνεται μόνο σε μεμονωμένες ερωτήσεις.

Αναπτυγμένη σε 14 αναγνωρισμένα χαρακτηριστικά της γήρανσης, η πλατφόρμα πρότεινε 328 γονίδια ως πιθανούς στόχους παρέμβασης κατά της γήρανσης, 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 προτεινόμενο γονίδιο, το KDM1A, επικυρώθηκε ανεξάρτητα σε ξεχωριστή δημοσιευμένη μελέτη ως διπλής χρήσης στόχος γήρανσης και καρκίνου, του οποίου η διαμόρφωση επέτεινε τη διάρκεια ζωής στο C. elegans, όπως ανέφερε η ανακοίνωση.

Το GitHub repository του έργου, δημοσιευμένο υπό άδεια MIT, τεκμηριώνει το LongevityClaw ως έναν πράκτορα που προβλέπει τη βιολογική ηλικία σε 233 ρολόγια που καλύπτουν έξι μορφές με 429.165 συντελεστές, μαζί με σύνολα δεδομένων αναφοράς πληθυσμού και ένα νέο μοντέλο ανακάλυψης 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 Καθορισμένοι Στόχοι

Η Insilico δήλωσε ότι κυκλοφορεί το benchmark, τα εξειδικευμένα μοντέλα, τους πόρους εκπαίδευσης, τον κώδικα αξιολόγησης και την πλατφόρμα Longevity Claw για να επιτρέψει ανεξάρτητες δοκιμές, επικυρώσεις και περαιτέρω ανάπτυξη από ερευνητές παγκοσμίως.

«Αναπτύσσουμε benchmarked, agentic συστήματα 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 ανέφερε ότι το ανοιχτό πλαίσιο προορίζεται να προσφέρει 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.