Insilico Medicine lance un kit d’IA Longevity ouvert dans une étude Cell

Insilico Medicine, le 17 septembre 2026, a annoncé la publication d’une étude dans Cell présentant un kit d’IA ouvert pour la biologie du vieillissement : le benchmark LongevityBench, une famille de cinq Longevity-LLM compacts, et la plateforme de recherche agentique Longevity Claw.

Publication dans Cell

L’article, « Un benchmark ouvert et des modèles de langage pour l’IA en biologie du vieillissement », apparaît dans Cell, volume 189, numéro 19, aux pages 5980–5994.e8, daté du 17 septembre 2026. Il a été publié en accès libre sous licence Creative Commons Attribution 4.0 avec le DOI 10.1016/j.cell.2026.08.026, et il répertorie 13 auteurs, dont Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev et Fedor Galkin.

Insilico a indiqué que l’étude avait été choisie comme article de couverture du numéro du 17 septembre 2026 du journal et qu’elle avait été réalisée avec des chercheurs de Liquid AI, du Buck Institute for Research on Aging, ainsi que de la Harvard Medical School et du Brigham and Women’s Hospital.

Selon l’annonce, la publication dans Cell fait suite à l’étude du 7 septembre 2026 d’Insilico dans Nature Biotechnology, qui a rapporté que le rentosertib, le candidat médicament découvert par IA et conçu par IA pour la fibrose pulmonaire idiopathique de la société, a réduit l’âge biologique selon six horloges protéomiques indépendantes lors d’un essai clinique de phase IIa.

Un benchmark ouvert pour la biologie du vieillissement

L’étude présente LongevityBench comme une suite ouverte de 17 tâches couvrant cinq domaines de biodonnées : données cliniques, génétique, épigénétique, transcriptomique et protéomique. Dans le résumé de l’article, les auteurs indiquent qu’aucun benchmark existant n’a évalué la capacité des systèmes d’IA à interpréter ces types de données hétérogènes dans le contexte de la biologie du vieillissement. Selon l’annonce, le benchmark a été conçu pour réduire la probabilité que les modèles réussissent en se contentant de rappeler des informations rencontrées lors de l’entraînement, en testant plutôt leur aptitude à analyser des données biologiques, à reconnaître des motifs pertinents et à résoudre des problèmes liés à la recherche sur le vieillissement.

Les auteurs ont utilisé LongevityBench pour évaluer 18 systèmes d’IA de pointe provenant de six équipes de développeurs, identifiées dans l’annonce comme OpenAI, Google, Anthropic, xAI, DeepSeek et Moonshot AI. L’article rapporte qu’aucun modèle unique n’a dominé toutes les tâches, que les performances variaient en fonction de la formulation des questions, et que la prédiction de l’âge basée sur les omiques était la tâche la plus difficile, quel que soit l’échelle du modèle.

Le classement public du projet, qui suit 26 modèles sur les 17 tâches, répertorie des ensembles de données provenant des mesures cliniques NHANES, de la méthylation d’ADN GEO, du RNA‑seq en vrac GTEx, de la protéomique plasmatique Olink, ainsi que des ressources génétiques OpenGenes et SynergyAge. Sur le score agrégé du classement, où un score plus bas est meilleur, Gemini 3.1 Pro avec 8,2 est indiqué comme le meilleur modèle de pointe, suivi de Claude Opus‑4.6 avec 9,2.

Longevity‑LLM compacts

Pour vérifier si ces lacunes pouvaient être comblées sans ressources de l’échelle de pointe, les chercheurs ont affiné une famille de cinq Longevity‑LLM multitâches, allant de 0,6 milliard à 9 milliards de paramètres, sur des données de vieillissement spécifiques au domaine, et l’article rapporte que les modèles compacts ont égalé voire surpassé des systèmes de pointe beaucoup plus grands sur le benchmark. Selon l’annonce, les modèles ont été entraînés en utilisant le MMAI Gym for Science d’Insilico, que l’entreprise décrit comme un terrain d’entraînement pour les modèles de langage appliquant ses données propriétaires, ses jeux de données de raisonnement et ses modèles validés, et ils ont été construits sur l’architecture LFM2 de Liquid AI ainsi que sur les familles de modèles Qwen3 et Qwen3.5 d’Alibaba.

Le classement indique L‑Qwen3.5‑9B comme le meilleur système global avec un score agrégé de 4,4, suivi de L‑LFM2‑2,6B à 7,6 et de L‑Qwen3‑1,7B à 7,8. Parmi les résultats sélectionnés du classement, L‑Qwen3.5‑9B a atteint une concordance de 0,868 sur la prédiction de l’âge par méthylation d’ADN GEO contre 0,685 pour le meilleur modèle de pointe, et L‑Qwen3‑0,6B a enregistré une erreur absolue moyenne de 5,7 ans sur la prédiction de l’âge protéomique Olink contre 10,1 ans pour le meilleur modèle de pointe, ainsi qu’une précision équilibrée de 0,890 sur la prédiction de mortalité à 10 ans de NHANES.

Les modèles et les données du benchmark sont disponibles publiquement dans une collection Hugging Face qui comprend le jeu de données longebench ainsi que les modèles longevity‑llm 9B, Qwen3‑0.6B‑Longevity, Qwen3‑1.7B‑Longevity, LFM2‑2.6B‑Longevity et LFM2‑1.2B‑Longevity.

Longevity Claw et découverte autonome de cibles

L’équipe a intégré L‑Qwen3.5‑9B dans Longevity Claw, une plateforme agentique open‑source qui combine le modèle spécialisé avec des outils d’analyse d’enrichissement de jeux de gènes, de calcul d’horloge biologique du vieillissement, de profilage à l’échelle de la population, de recherche et de synthèse de preuves, ainsi que d’évaluation et de priorisation de cibles candidates. Insilico a indiqué que la plateforme a été conçue pour formuler et exécuter des flux de travail de recherche multi‑étapes plutôt que de simplement répondre à des questions individuelles.

Déployée sur les 14 marqueurs reconnus du vieillissement, la plateforme a désigné 328 gènes comme cibles potentielles d’intervention contre le vieillissement, et les candidats ont montré un enrichissement statistiquement significatif allant jusqu’à 5,6‑fois par rapport à un jeu de référence publié indépendamment contenant des cibles liées au vieillissement soutenues expérimentalement, selon l’annonce. Un gène désigné, KDM1A, a été validé de façon indépendante dans une autre étude publiée comme cible double du vieillissement et du cancer dont la modulation a prolongé la durée de vie de C. elegans, indique l’annonce.

Le dépôt GitHub du projet, publié sous licence MIT, décrit LongevityClaw comme un agent qui prédit l’âge biologique à l’aide de 233 horloges couvrant six modalités avec 429 165 coefficients, ainsi que des jeux de données de référence populationnels et un module de découverte de nouvelles cibles qui évalue les candidats selon six dimensions, dont la nouveauté, la possibilité de cibler pharmaceutiquement, la confiance et la sécurité, sur les 14 marqueurs.

Publication ouverte et objectifs déclarés

Insilico a déclaré qu’elle publiait le benchmark, les modèles spécialisés, les ressources d’entraînement, le code d’évaluation et la plateforme Longevity Claw afin de permettre des tests, une validation et un développement supplémentaires indépendants par les chercheurs du monde entier.

« Nous développons des systèmes agentiques étalonnés qui peuvent évoluer en assistants de longévité personnalisés et en compagnons de longévité, aidant finalement les gens à surveiller et à améliorer leur santé‑durée, » a déclaré Alex Zhavoronkov, fondateur et co‑PDG d’Insilico Medicine.

Insilico a indiqué que le cadre ouvert vise à fournir aux scientifiques une base commune pour mesurer les progrès de la recherche sur le vieillissement assistée par IA et à aider à distinguer les systèmes qui démontrent un véritable raisonnement biologique de ceux qui se contentent de reproduire les informations contenues dans leurs données d’entraînement.