Insilico Medicine julkaisee avoimen Longevity AI -työkalupaketin Cell-tutkimuksessa

Insilico Medicine 17. syyskuuta 2026 julkaisi Cell-lehdessä julkaistun tutkimuksen, jossa esiteltiin avoimesti julkaistu AI-työkalupakki ikääntymisbiologiaa varten: LongevityBench-vertailu, viiden kompaktin Longevity-LLM:n perhe sekä Longevity Claw -agenttipohjainen tutkimusalusta.

Julkaisu Cell-lehdessä

Artikkeli, “Avoin vertailu ja kielimallit AI:lle ikääntymisbiologiassa“, ilmestyy Cell-lehden volyymiin 189, numeroon 19, sivuille 5980–5994.e8, päivämäärällä 17. syyskuuta 2026. Se julkaistiin avoimena pääsynä Creative Commons Nimeä 4.0 -lisenssin alaisena DOI:lla 10.1016/j.cell.2026.08.026, ja siinä on 13 tekijää, mukaan lukien Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev ja Fedor Galkin.

Insilico kertoi, että tutkimus valittiin lehden 17. syyskuuta 2026 numeron kansikuvaksi, ja se toteutettiin yhteistyössä Liquid AI:n, Buck Institute for Research on Agingin sekä Harvard Medical Schoolin ja Brigham and Women’s Hospitalin tutkijoiden kanssa.

Ilmoituksen mukaan Cell-julkaisua seuraa Insilicon 7. syyskuuta 2026 julkaisema tutkimus Nature Biotechnology -lehdessä, jossa raportoitiin, että rentosertibi, yhtiön AI:n löytämä ja AI:n suunnittelema lääkeehdokas idiopaattiseen keuhkofibroosiin, vähensi biologista ikää kuudessa itsenäisessä proteomisen ikäkellossa vaiheessa IIa kliinisessä kokeessa.

Avoin vertailu ikääntymisbiologialle

Tutkimus esittelee LongevityBenchin avoimena pakettina, jossa on 17 tehtävää viidellä biodatan alalla: kliiniset tiedot, genetiikka, epigenetiikka, transkriptomikka ja proteomikka. Artikkelin yhteenvedossa tekijät toteavat, ettei mikään olemassa oleva vertailu ole arvioinut, voivatko AI-järjestelmät tulkita näitä heterogeenisiä datatyyppejä ikääntymisbiologian kontekstissa. Ilmoituksen mukaan vertailu on suunniteltu vähentämään mallien onnistumisen todennäköisyyttä pelkän koulutuksen aikana opitun tiedon muistamisen kautta, testaten sen sijaan kykyä analysoida biologista dataa, tunnistaa merkityksellisiä kuvioita ja ratkaista ikääntymistutkimukseen liittyviä ongelmia.

Tekijät käyttivät LongevityBenchia arvioidakseen 18 huipputason AI-järjestelmää kuudelta kehittäjätiimiltä, jotka ilmoituksen mukaan ovat OpenAI, Google, Anthropic, xAI, DeepSeek ja Moonshot AI. Artikkeli raportoi, että yksikään malli ei hallinnut kaikkia tehtäviä, että suorituskyky vaihteli kysymysten muotoilun mukaan, ja että omiksipohjainen ikäennuste oli vaikein tehtävä riippumatta mallin koosta.

Projektin julkinen pistetaulu, joka seuraa 26 mallia 17 tehtävän yli, sisältää tietoaineistoja NHANES:n kliinisistä mittauksista, GEO:n DNA-metylaatiosta, GTEx:n bulk RNA-seq:stä, Olinkin plasmaproteomikasta sekä OpenGenes- ja SynergyAge-genetiikkavaroista. Pistetaulun kokonaispisteytyksessä, jossa alempi on parempi, Gemini 3.1 Pro 8,2 pisteellä on listattu parhaaksi huipputason malliksi, Claude Opus-4.6 9,2 pisteellä.

Kompaktit Longevity-LLM:t

Jotta testattaisiin, voidaanko nämä puutteet korjata ilman huipputason resursseja, tutkijat hienosäätivät viiden monitehtävän Longevity-LLM:n perheen, jonka parametrit vaihtelevat 0,6 miljardista 9 miljardiin, ikääntymiseen spesifisen datan avulla, ja artikkeli raportoi, että kompaktit mallit vastasivat tai ylittivät paljon suurempien huipputason järjestelmien suorituksen vertailussa. Ilmoituksen mukaan mallit koulutettiin Insilicon MMAI Gym for Science -alustalla, jonka yhtiö kuvaa kielimallien harjoittelukentäksi, jossa hyödynnetään sen omia tietoja, päättelyaineistoja ja validoituja malleja, ja ne rakennettiin Liquid AI:n LFM2-arkkitehtuurin sekä Alibaban Qwen3- ja Qwen3.5-malliperheiden päälle.

Pistetaulu listaa L-Qwen3.5-9B:n parhaan kokonaisjärjestelmän 4,4 pisteen aggregoidulla sijoituksella, jota seuraavat L-LFM2-2.6B 7,6 pisteellä ja L-Qwen3-1.7B 7,8 pisteellä. Pistetaulun valituista tuloksista L-Qwen3.5-9B saavutti 0,868 yhteensopivuuden GEO DNA-metylaatio-ikäennusteessa verrattuna 0,685 parhaaseen huipputason malliin, ja L-Qwen3-0.6B rekisteröi 5,7 vuoden keskimääräisen absoluuttisen virheen Olink-proteominen ikäennusteessa verrattuna 10,1 vuoteen parhaassa huipputason mallissa, sekä 0,890 tasapainoisen tarkkuuden NHANESin 10‑vuotisen kuolleisuuden ennusteessa.

Mallit ja vertailudata ovat julkisesti saatavilla Hugging Face -kokoelmassa, joka sisältää longebench-datasarjan sekä longevity-llm 9B, Qwen3-0.6B-Longevity, Qwen3-1.7B-Longevity, LFM2-2.6B-Longevity ja LFM2-1.2B-Longevity -mallit.

Longevity Claw ja autonominen kohteiden löytäminen

Tiimi integroi L-Qwen3.5-9B:n Longevity Claw -alustaan, avoimen lähdekoodin agenttipohjaiseen alustaan, joka yhdistää erikoismallin työkaluihin geenijoukkojen rikastusanalyysiin, biologisten ikäkellojen laskentaan, väestötason profilointiin, todistusaineiston hakemiseen ja synteesiin sekä ehdokkaiden kohteiden arviointiin ja priorisointiin. Insilico kertoi, että alusta on suunniteltu muotoilemaan ja toteuttamaan monivaiheisia tutkimustyönkulkuja sen sijaan, että se vastaisi vain yksittäisiin kysymyksiin.

Käytettynä 14 tunnustetun ikääntymisen merkin yli, alusta nimeä 328 geeniä mahdollisiksi ikääntymisen interventiokohteiksi, ja ehdokkaat osoittivat tilastollisesti merkittävän rikastumisen jopa 5,6-kertaisena verrattuna itsenäisesti julkaistuun viitejoukkoon, jossa on kokeellisesti tuettuja ikääntymiseen liittyviä kohteita, ilmoituksen mukaan. Yksi nimetty geeni, KDM1A, vahvistettiin itsenäisesti erillisessä julkaistussa tutkimuksessa kaksinkertaisena ikääntymisen ja syövän kohteena, jonka modulointi pidenti C. elegansin elinikää, ilmoituksen mukaan.

Projektin GitHub repository, joka on julkaistu MIT-lisenssillä, dokumentoi LongevityClawin agenttina, joka ennustaa biologista ikää 233 kellon yli, kattaen kuusi modaliteettia ja 429 165 koeffiinilla, sekä sisältää väestötietoaineistot ja uuden kohteiden löytämismoduulin, joka arvioi ehdokkaita kuudessa ulottuvuudessa, mukaan lukien uutuus, lääkkeellisyys, luottamus ja turvallisuus, 14 ikääntymisen merkin laajuisesti.

Avoin julkaisu ja ilmoitetut tavoitteet

Insilico kertoi vapauttavansa vertailukohdan, erikoismallit, koulutusresurssit, arviointikoodin ja Longevity Claw -alustan, jotta maailmanlaajuiset tutkijat voivat suorittaa itsenäistä testausta, validointia ja jatkokehitystä.

„Kehitämme vertailtua, agenttipohjaista järjestelmää, joka voi kehittyä henkilökohtaisiksi pitkäikäisyyden avustajiksi ja pitkäikäisyyden kumppaneiksi, lopulta auttaen ihmisiä seuraamaan ja parantamaan terveysajan pituutta“, sanoi Alex Zhavoronkov, Insilico Medicinein perustaja ja yhteis-CEO.

Insilico totesi, että avoin viitekehys on tarkoitettu antamaan tutkijoille yhteinen perusta AI-pohjaisen ikääntymistutkimuksen edistymisen mittaamiseen sekä auttamaan erottamaan järjestelmät, jotka osoittavat aitoa biologista päättelykykyä, niistä, jotka pääasiassa toistavat koulutusdatansa sisältämää tietoa.