Insilico Medicine julkaisee avoimen Longevity AI -työkalupaketin Cell-tutkimuksessa

Insilico Medicine 17. syyskuuta 2026 julkaisi Cell-lehden tutkimuksen julkaisun, jossa esiteltiin avoimesti julkaistu AI-työkalupaketti ikääntymisen biologiaa varten: LongevityBench-vertailukoe, viiden kompaktin Longevity-LLM:n perhe sekä Longevity Claw -agenttipohjainen tutkimusalusta.

Julkaisu Cell-lehdessä

Artikkeli “Avoin vertailukoe ja kielimallit AI:lle ikääntymisen biologiassa” ilmestyy Cell-lehden volyymiin 189, numeroon 19, sivuille 5980–5994.e8, päivätty 17. syyskuuta 2026. Se julkaistiin avoimena pääsynä Creative Commons Attribution 4.0 -lisenssin alaisena DOI:n 10.1016/j.cell.2026.08.026 kanssa, ja se listaa 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, Harvard Medical Schoolin ja Brigham and Women’s Hospitalin tutkijoiden kanssa.

Ilmoituksen mukaan Cell-julkaisu seuraa Insilicon 7. syyskuuta 2026 Nature Biotechnology -tutkimusta, jossa raportoitiin, että rentosertibi, yrityksen AI:n löytämä ja AI:n suunnittelema lääkeehdokas idiopaattiselle keuhkofibroosille, vähensi biologista ikää kuudessa itsenäisessä proteomisen ikäkellossa vaiheessa IIa kliinisessä kokeessa.

Avoin vertailukoe ikääntymisen biologiaa varten

Tutkimus esittelee LongevityBenchin avoimena sarjana, joka sisältää 17 tehtävää viidellä biodatan alalla: kliiniset tiedot, genetiikka, epigenetiikka, transkriptomiikka ja proteomiikka. Artikkelin yhteenvedossa tekijät kirjoittavat, että mikään olemassa oleva vertailukoe ei ole arvioinut, voivatko AI-järjestelmät tulkita näitä heterogeenisiä datatyyppejä ikääntymisen biologiaa koskevassa kontekstissa. Ilmoituksen mukaan vertailukoe suunniteltiin vähentämään mallien mahdollisuutta menestyä pelkästään koulutuksen aikana nähtyjen tietojen muistamisen avulla, 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 mikään yksittäinen malli ei hallinnut kaikkia tehtäviä, että suorituskyky vaihtui kysymysten muotoilun mukaan, ja että omics-pohjainen ikäennuste oli vaikein tehtävä riippumatta mallin mittakaavasta.

Projektin julkinen tulostaulu, joka seuraa 26 mallia 17 tehtävän aikana, listaa tietoaineistoja NHANESin kliinisistä mittauksista, GEO:n DNA-metylaatiosta, GTEx:n massiivisesta RNA-seq:stä, Olinkin plasmaproteomiikasta sekä OpenGenes- ja SynergyAge-genetiikkaresursseista. Tulostaulun kokonaispisteytyksessä, jossa pienempi on parempi, Gemini 3.1 Pro, jonka pistemäärä on 8.2, on lueteltu parhaaksi huipputason malliksi, ja Claude Opus-4.6 pisteellä 9.2.

Kompaktit Longevity-LLM:t

Testatakseen, voidaanko nämä aukot sulkea ilman huipputason resursseja, tutkijat hienosäädettiin viiden monitehtävän Longevity-LLM:n perhe, jonka parametrit vaihtelevat 0,6 miljardista 9 miljardiin, ikääntymiseen liittyvällä alakohtaisella datalla, ja artikkeli raportoi, että kompakti mallit vastasivat tai ylittivät paljon suurempia huipputason järjestelmiä vertailukokeessa. Ilmoituksen mukaan mallit koulutettiin käyttäen Insilicon MMAI Gym tieteelle, jonka yritys kuvailee kielimallien harjoittelukentäksi, joka hyödyntää sen omia data-, päättely- ja vahvistettuja mallidatoja, ja ne rakennettiin Liquid AI:n LFM2-arkkitehtuurin sekä Alibaban Qwen3- ja Qwen3.5-malliperheiden päälle.

Tulostaulu listaa L-Qwen3.5-9B:n parhaana kokonaisjärjestelmänä, jonka kokonaispisteytys on 4.4, jota seuraavat L-LFM2-2.6B (7.6) ja L-Qwen3-1.7B (7.8). Tulostaulun valituista tuloksista L-Qwen3.5-9B saavutti 0.868 yhteensopivuuden GEO DNA-metylaatio-ikäennusteessa verrattuna 0.685 parhaalle huipputason mallille, ja L-Qwen3-0.6B kirjasi 5.7 vuoden keskimääräisen absoluuttisen virheen Olink-proteomiikka-ikäennusteessa verrattuna 10.1 vuoteen parhaalla huipputason mallilla, sekä 0.890 tasapainoisen tarkkuuden NHANESin 10‑vuotisen kuolleisuuspredictiossa.

Mallit ja vertailukoeaineistot 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 upotti L-Qwen3.5-9B:n Longevity Claw -alustaan, avoimen lähdekoodin agenttipohjaiseen alustaan, joka yhdistää erikoismallin työkaluihin geenijoukkojen rikastusanalyysiin, biologisen ikäkellon laskemiseen, väestötason profilointiin, todisteiden 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.

Käyttöönotettu 14:ssä tunnistetussa ikääntymisen hallintamerkissä, 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‑varasto, julkaistu MIT‑lisenssillä, dokumentoi LongevityClaw‑agentin, joka ennustaa biologista ikää 233 kellon avulla, jotka kattavat kuusi modaliteettia ja sisältävät 429 165 koeffiinia, sekä väestötason viiteaineistot ja uuden kohteen löytämismoduulin, joka arvioi ehdokkaita kuudessa ulottuvuudessa, mukaan lukien uutuus, lääkekelpoisuus, luottamus ja turvallisuus, 14:n hallintamerkin yli.

Avoin julkaisu ja ilmoitetut tavoitteet

Insilico kertoi julkaisevansa vertailukoe, erikoismallit, koulutusresurssit, arviointikoodin ja Longevity Claw -alustan, jotta tutkijat ympäri maailmaa voivat tehdä itsenäistä testausta, validointia ja jatkokehitystä.

“Kehitämme vertailukelpoisia, agenttipohjaisia järjestelmiä, jotka voivat kehittyä henkilökohtaisiksi pitkäikäisyyden avustajiksi ja pitkäikäisyyden kumppaneiksi, ja lopulta auttaa ihmisiä seuraamaan ja parantamaan terveysspaniaan,” sanoi Alex Zhavoronkov, Insilico Medicinein perustaja ja yhteis-CEO.

Insilico totesi, että avoin viitekehys on tarkoitettu antamaan tutkijoille yhteinen perusta AI‑avusteisen ikääntymistutkimuksen edistymisen mittaamiseen sekä auttamaan erottamaan järjestelmät, jotka osoittavat aitoa biologista päättelykykyä, niistä, jotka pääasiassa toistavat koulutusdatassaan olevaa tietoa.