Insilico Medicine Merilis Toolkit AI Longevity Terbuka dalam Studi Cell

Insilico Medicine pada 17 September 2026 mengumumkan publikasi sebuah studi di Cell yang memperkenalkan toolkit AI yang dirilis secara terbuka untuk biologi penuaan: benchmark LongevityBench, keluarga lima Longevity-LLM yang kompak, dan platform riset agenik Longevity Claw.

Publikasi di Cell

Makalah, “Benchmark terbuka dan model bahasa untuk AI dalam biologi penuaan,” muncul di Cell volume 189, edisi 19, pada halaman 5980–5994.e8, tanggal 17 September 2026. Makalah ini dipublikasikan akses terbuka di bawah lisensi Creative Commons Attribution 4.0 dengan DOI 10.1016/j.cell.2026.08.026, dan mencantumkan 13 penulis, termasuk Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev, dan Fedor Galkin.

Insilico menyatakan bahwa studi tersebut dipilih sebagai fitur sampul edisi jurnal tanggal 17 September 2026 dan dilakukan bersama peneliti dari Liquid AI, Buck Institute for Research on Aging, serta Harvard Medical School dan Brigham and Women’s Hospital.

Menurut pengumuman, publikasi di Cell merupakan kelanjutan dari studi Insilico pada 7 September 2026 di Nature Biotechnology, yang melaporkan bahwa rentosertib, kandidat obat yang ditemukan AI dan dirancang AI untuk fibrosis paru idiopatik, mengurangi usia biologis pada enam jam biologis proteomik independen dalam uji klinis fase IIa.

Benchmark Terbuka untuk Biologi Penuaan

Studi ini memperkenalkan LongevityBench sebagai rangkaian terbuka yang terdiri dari 17 tugas meliputi lima domain biodata: data klinis, genetika, epigenetika, transkriptomik, dan proteomik. Dalam ringkasan makalah, penulis menulis bahwa tidak ada benchmark yang ada yang mengevaluasi apakah sistem AI dapat menginterpretasikan tipe data heterogen ini dalam konteks biologi penuaan. Menurut pengumuman, benchmark ini dirancang untuk mengurangi kemungkinan model berhasil hanya dengan mengingat informasi yang ditemui selama pelatihan, melainkan menguji kemampuan menganalisis data biologis, mengenali pola bermakna, dan memecahkan masalah yang relevan dengan penelitian penuaan.

Penulis menggunakan LongevityBench untuk menilai 18 sistem AI frontier dari enam tim pengembang, yang dalam pengumuman diidentifikasi sebagai OpenAI, Google, Anthropic, xAI, DeepSeek, dan Moonshot AI. Makalah melaporkan bahwa tidak ada satu model pun yang mendominasi semua tugas, bahwa kinerja berubah tergantung cara pertanyaan diformulasikan, dan bahwa prediksi usia berbasis omik merupakan tugas tersulit terlepas dari skala model.

The project’s papan peringkat publik, yang melacak 26 model pada 17 tugas, mencantumkan dataset yang diambil dari pengukuran klinis NHANES, metilasi DNA GEO, RNA‑seq bulk GTEx, proteomik plasma Olink, serta sumber daya genetika OpenGenes dan SynergyAge. Pada skor peringkat agregat papan peringkat, di mana nilai lebih rendah lebih baik, Gemini 3.1 Pro dengan skor 8.2 tercatat sebagai model frontier terbaik, dengan Claude Opus-4.6 pada skor 9.2.

Longevity-LLM Kompak

Untuk menguji apakah kesenjangan tersebut dapat ditutup tanpa sumber daya skala frontier, peneliti melakukan fine-tuning pada keluarga lima Longevity-LLM multitugas dengan parameter antara 0.6 miliar hingga 9 miliar pada data penuaan spesifik domain, dan makalah melaporkan bahwa model kompak tersebut menyamai atau melampaui sistem frontier yang jauh lebih besar pada benchmark. Menurut pengumuman, model-model tersebut dilatih menggunakan MMAI Gym untuk Ilmu Pengetahuan milik Insilico, yang perusahaan gambarkan sebagai arena pelatihan untuk model bahasa yang menerapkan data proprietari, dataset penalaran, dan model tervalidasi, serta dibangun di atas arsitektur LFM2 milik Liquid AI dan keluarga model Qwen3 serta Qwen3.5 milik Alibaba.

Papan peringkat mencantumkan L-Qwen3.5-9B sebagai sistem keseluruhan terbaik dengan skor peringkat agregat 4.4, diikuti oleh L-LFM2-2.6B dengan skor 7.6 dan L-Qwen3-1.7B dengan skor 7.8. Di antara hasil terpilih papan peringkat, L-Qwen3.5-9B mencapai konkoransi 0.868 pada prediksi usia metilasi DNA GEO dibandingkan 0.685 untuk model frontier terbaik, dan L-Qwen3-0.6B mencatat kesalahan absolut rata-rata 5.7 tahun pada prediksi usia proteomik Olink dibandingkan 10.1 tahun untuk model frontier terbaik, serta akurasi seimbang 0.890 pada prediksi mortalitas 10 tahun NHANES.

Model dan data benchmark tersedia secara publik dalam koleksi Hugging Face yang mencakup dataset longebench serta model longevity-llm 9B, Qwen3-0.6B-Longevity, Qwen3-1.7B-Longevity, LFM2-2.6B-Longevity, dan LFM2-1.2B-Longevity.

Longevity Claw dan Penemuan Target Otonom

Tim tersebut menyematkan L-Qwen3.5-9B ke dalam Longevity Claw, sebuah platform agenik sumber terbuka yang menggabungkan model khusus dengan alat untuk analisis pengayaan set gen, perhitungan jam penuaan biologis, profil populasi, pengambilan dan sintesis bukti, serta evaluasi dan prioritisasi target kandidat. Insilico menyatakan bahwa platform ini dirancang untuk merumuskan dan mengeksekusi alur kerja riset multi-langkah daripada hanya menjawab pertanyaan individu.

Diterapkan pada 14 penanda penuaan yang diakui, platform ini menominasikan 328 gen sebagai target potensial untuk intervensi penuaan, dan kandidat-kandidat tersebut menunjukkan pengayaan yang signifikan secara statistik hingga 5,6 kali lipat dibandingkan dengan set referensi yang dipublikasikan secara independen berisi target penuaan yang didukung secara eksperimental, menurut pengumuman. Salah satu gen yang dinominasikan, KDM1A, secara independen divalidasi dalam studi terpisah yang dipublikasikan sebagai target penuaan dan kanker ganda, yang modulasinya memperpanjang harapan hidup pada C. elegans, kata pengumuman.

Repositori repositori GitHub proyek ini, yang dipublikasikan di bawah lisensi MIT, mendokumentasikan LongevityClaw sebagai agen yang memprediksi usia biologis melalui 233 jam kerja yang mencakup enam modalitas dengan 429.165 koefisien, bersama dengan dataset referensi populasi dan modul penemuan target baru yang menilai kandidat pada enam dimensi, termasuk kebaruan, dapat-dikembangkan menjadi obat, kepercayaan, dan keamanan, di seluruh 14 penanda.

Rilis Terbuka dan Tujuan yang Dinyatakan

Insilico menyatakan bahwa mereka merilis benchmark, model khusus, sumber daya pelatihan, kode evaluasi, dan platform Longevity Claw untuk memungkinkan pengujian independen, validasi, dan pengembangan lebih lanjut oleh peneliti di seluruh dunia.

“Kami mengembangkan sistem agenik yang terbenchmark yang dapat berkembang menjadi asisten panjang umur pribadi dan pendamping panjang umur, yang pada akhirnya membantu orang memantau dan meningkatkan healthspan mereka,” kata Alex Zhavoronkov, pendiri dan co-CEO Insilico Medicine.

Insilico menyatakan bahwa kerangka kerja terbuka ini dimaksudkan untuk memberi ilmuwan dasar bersama dalam mengukur kemajuan penelitian penuaan berbasis AI dan membantu membedakan sistem yang menunjukkan penalaran biologis sejati dari yang hanya mereproduksi informasi yang terdapat dalam data pelatihan mereka.