Insilico Medicine lanza kit de IA de longevidad abierto en estudio de Cell

Insilico Medicine, el 17 de septiembre de 2026, anunció la publicación de un estudio en Cell que presenta un kit de IA de biología del envejecimiento de libre acceso: el benchmark LongevityBench, una familia de cinco Longevity-LLM compactos y la plataforma de investigación agente Longevity Claw.

Publicación en Cell

El artículo, “Un benchmark abierto y modelos de lenguaje para IA en biología del envejecimiento“, aparece en Cell volumen 189, número 19, en las páginas 5980–5994.e8, con fecha 17 de septiembre de 2026. Fue publicado en acceso abierto bajo una licencia Creative Commons Attribution 4.0 con el DOI 10.1016/j.cell.2026.08.026, y enumera a 13 autores, entre ellos Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev y Fedor Galkin.

Insilico indicó que el estudio fue seleccionado como la portada de la edición del 17 de septiembre de 2026 de la revista y se realizó con investigadores de Liquid AI, el Buck Institute for Research on Aging, y la Harvard Medical School y Brigham and Women’s Hospital.

Según el anuncio, la publicación en Cell sigue al estudio de Insilico del 7 de septiembre de 2026 en Nature Biotechnology, que informó que rentosertib, el candidato a fármaco descubierto y diseñado por IA para la fibrosis pulmonar idiopática de la compañía, redujo la edad biológica en seis relojes de envejecimiento proteómico independientes en un ensayo clínico de fase IIa.

Un benchmark abierto para la biología del envejecimiento

El estudio presenta LongevityBench como un conjunto abierto de 17 tareas que abarcan cinco dominios de biodatos: datos clínicos, genética, epigenética, transcriptómica y proteómica. En el resumen del artículo, los autores señalan que ningún benchmark existente ha evaluado si los sistemas de IA pueden interpretar estos tipos de datos heterogéneos en el contexto de la biología del envejecimiento. Según el anuncio, el benchmark fue diseñado para reducir la probabilidad de que los modelos tengan éxito mediante la memorización de información encontrada durante el entrenamiento, evaluando en su lugar la capacidad de analizar datos biológicos, reconocer patrones significativos y resolver problemas relevantes para la investigación del envejecimiento.

Los autores utilizaron LongevityBench para evaluar 18 sistemas de IA de vanguardia de seis equipos de desarrollo, que el anuncio identifica como OpenAI, Google, Anthropic, xAI, DeepSeek y Moonshot AI. El artículo informa que ningún modelo único dominó todas las tareas, que el rendimiento varió según la formulación de las preguntas, y que la predicción de edad basada en ómicas fue la tarea más difícil independientemente de la escala del modelo.

La clasificación pública del proyecto, que sigue a 26 modelos en las 17 tareas, incluye conjuntos de datos provenientes de mediciones clínicas NHANES, metilación de ADN GEO, RNA‑seq masivo GTEx, proteómica plasmática Olink, y los recursos genéticos OpenGenes y SynergyAge. En la puntuación de rango agregado de la tabla, donde un valor menor es mejor, Gemini 3.1 Pro con 8,2 se lista como el mejor modelo de vanguardia, seguido de Claude Opus‑4.6 con 9,2.

Longevity-LLM compactos

Para probar si esas brechas podían cerrarse sin recursos a escala de frontera, los investigadores ajustaron finamente una familia de cinco Longevity-LLM multitarea, con parámetros de 0,6 mil millones a 9 mil millones, sobre datos de envejecimiento específicos del dominio, y el artículo informa que los modelos compactos igualaron o superaron a sistemas de frontera mucho más grandes en el benchmark. Según el anuncio, los modelos fueron entrenados usando el MMAI Gym para Science de Insilico, que la compañía describe como un campo de entrenamiento para modelos de lenguaje que aplica sus datos propietarios, conjuntos de razonamiento y modelos validados, y fueron construidos sobre la arquitectura LFM2 de Liquid AI y las familias de modelos Qwen3 y Qwen3.5 de Alibaba.

La tabla de clasificación enumera L‑Qwen3.5‑9B como el mejor sistema global con una puntuación de rango agregado de 4,4, seguido de L‑LFM2‑2.6B con 7,6 y L‑Qwen3‑1.7B con 7,8. Entre los resultados seleccionados, L‑Qwen3.5‑9B alcanzó una concordancia de 0,868 en la predicción de edad por metilación de ADN GEO frente a 0,685 para el mejor modelo de frontera, y L‑Qwen3‑0.6B registró un error absoluto medio de 5,7 años en la predicción de edad proteómica Olink frente a 10,1 años para el mejor modelo de frontera, junto con una exactitud balanceada de 0,890 en la predicción de mortalidad a 10 años de NHANES.

Los modelos y los datos del benchmark están disponibles públicamente en una colección de Hugging Face que incluye el conjunto de datos longebench y los modelos longevity-llm 9B, Qwen3‑0.6B‑Longevity, Qwen3‑1.7B‑Longevity, LFM2‑2.6B‑Longevity y LFM2‑1.2B‑Longevity.

Longevity Claw y descubrimiento autónomo de objetivos

El equipo integró L‑Qwen3.5‑9B en Longevity Claw, una plataforma agente de código abierto que combina el modelo especializado con herramientas para el análisis de enriquecimiento de conjuntos de genes, el cálculo de relojes biológicos de envejecimiento, la creación de perfiles a nivel poblacional, la recuperación y síntesis de evidencia, y la evaluación y priorización de objetivos candidatos. Insilico afirmó que la plataforma fue diseñada para formular y ejecutar flujos de trabajo de investigación multietapa, en lugar de responder solo a preguntas individuales.

Desplegado en los 14 rasgos reconocidos del envejecimiento, la plataforma nominó 328 genes como posibles objetivos para la intervención contra el envejecimiento, y los candidatos mostraron un enriquecimiento estadísticamente significativo de hasta 5,6 veces frente a un conjunto de referencia publicado independientemente de objetivos relacionados con el envejecimiento respaldados experimentalmente, según el anuncio. Un gen nominado, KDM1A, fue validado independientemente en un estudio publicado separado como un objetivo dual de envejecimiento y cáncer cuya modulación extendió la vida útil en C. elegans, indicó el anuncio.

El repositorio de GitHub, publicado bajo una licencia MIT, documenta LongevityClaw como un agente que predice la edad biológica a través de 233 relojes que abarcan seis modalidades con 429,165 coeficientes, junto con conjuntos de datos de referencia poblacionales y un módulo de descubrimiento de objetivos novedosos que evalúa a los candidatos en seis dimensiones, incluida la novedad, la posibilidad de fármacos, la confianza y la seguridad, en los 14 rasgos.

Lanzamiento abierto y objetivos declarados

Insilico dijo que está publicando el benchmark, los modelos especializados, los recursos de entrenamiento, el código de evaluación y la plataforma Longevity Claw para permitir pruebas independientes, validación y desarrollo adicional por parte de investigadores de todo el mundo.

“Estamos desarrollando sistemas agenticos con referencia, que pueden evolucionar en asistentes de longevidad personalizados y compañeros de longevidad, ayudando en última instancia a las personas a monitorear y mejorar su healthspan,” dijo Alex Zhavoronkov, fundador y co‑CEO de Insilico Medicine.

Insilico dijo que el marco abierto está destinado a proporcionar a los científicos una base común para medir el progreso en la investigación del envejecimiento habilitada por IA y a ayudar a distinguir los sistemas que demuestran razonamiento biológico genuino de aquellos que principalmente reproducen información contenida en sus datos de entrenamiento.