Insilico Medicine rilascia il toolkit AI per la longevità open nello studio su Cell

Il 17 settembre 2026, Insilico Medicine ha annunciato la pubblicazione di uno studio su Cell che introduce un toolkit AI rilasciato apertamente per la biologia dell’invecchiamento: il benchmark LongevityBench, una famiglia di cinque Longevity-LLM compatti e la piattaforma di ricerca agentica Longevity Claw.

Pubblicazione su Cell

L’articolo, “Un benchmark aperto e modelli linguistici per l’IA nella biologia dell’invecchiamento“, compare in Cell volume 189, numero 19, alle pagine 5980–5994.e8, datato 17 settembre 2026. È stato pubblicato open access sotto licenza Creative Commons Attribution 4.0 con il DOI 10.1016/j.cell.2026.08.026, e elenca 13 autori, tra cui Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev e Fedor Galkin.

Insilico ha dichiarato che lo studio è stato scelto come copertina dell’edizione del 17 settembre 2026 della rivista ed è stato condotto con ricercatori di Liquid AI, del Buck Institute for Research on Aging e della Harvard Medical School e del Brigham and Women’s Hospital.

Secondo l’annuncio, la pubblicazione su Cell segue lo studio di Insilico del 7 settembre 2026 su Nature Biotechnology, che ha riportato che il rentosertib, il candidato farmaco scoperto e progettato dall’IA per la fibrosi polmonare idiopatica dell’azienda, ha ridotto l’età biologica su sei orologi di invecchiamento proteomico indipendenti in una sperimentazione clinica di fase IIa.

Un benchmark aperto per la biologia dell’invecchiamento

Lo studio presenta LongevityBench come una suite aperta di 17 compiti che coprono cinque domini di biodati: dati clinici, genetica, epigenetica, trascrittomica e proteomica. Nel riepilogo dell’articolo, gli autori scrivono che nessun benchmark esistente ha valutato se i sistemi di IA possano interpretare questi tipi di dati eterogenei nel contesto della biologia dell’invecchiamento. Secondo l’annuncio, il benchmark è stato progettato per ridurre la probabilità che i modelli riescano grazie al richiamo di informazioni incontrate durante l’addestramento, testando invece la capacità di analizzare dati biologici, riconoscere pattern significativi e risolvere problemi pertinenti alla ricerca sull’invecchiamento.

Gli autori hanno utilizzato LongevityBench per valutare 18 sistemi AI di frontiera provenienti da sei team di sviluppatori, che l’annuncio identifica come OpenAI, Google, Anthropic, xAI, DeepSeek e Moonshot AI. L’articolo riporta che nessun singolo modello ha dominato tutti i compiti, che le prestazioni variavano a seconda di come erano formulate le domande, e che la previsione dell’età basata su omiche è stata il compito più difficile indipendentemente dalla scala del modello.

La classifica pubblica del progetto, che monitora 26 modelli attraverso i 17 compiti, elenca set di dati provenienti da misurazioni cliniche NHANES, metilazione del DNA GEO, RNA-seq bulk GTEx, proteomica plasmatica Olink, e le risorse genetiche OpenGenes e SynergyAge. Sul punteggio aggregato della classifica, dove valori più bassi sono migliori, Gemini 3.1 Pro con 8.2 è indicato come il miglior modello di frontiera, con Claude Opus-4.6 a 9.2.

Longevity-LLM compatti

Per verificare se tali lacune potessero essere colmate senza risorse di scala frontiera, i ricercatori hanno perfezionato una famiglia di cinque Longevity-LLM multitask, con parametri da 0,6 miliardi a 9 miliardi, su dati specifici dell’invecchiamento, e l’articolo riporta che i modelli compatti hanno eguagliato o superato sistemi di frontiera molto più grandi nel benchmark. Secondo l’annuncio, i modelli sono stati addestrati utilizzando MMAI Gym for Science di Insilico, che l’azienda descrive come un terreno di addestramento per modelli linguistici che applica i suoi dati proprietari, set di dati di ragionamento e modelli convalidati, ed è stato costruito sull’architettura LFM2 di Liquid AI e sulle famiglie di modelli Qwen3 e Qwen3.5 di Alibaba.

La classifica elenca L-Qwen3.5-9B come il miglior sistema complessivo con un punteggio di rango aggregato di 4,4, seguito da L-LFM2-2.6B con 7,6 e L-Qwen3-1.7B con 7,8. Tra i risultati selezionati della classifica, L-Qwen3.5-9B ha raggiunto una concordanza di 0,868 nella previsione dell’età basata sulla metilazione del DNA GEO rispetto a 0,685 per il miglior modello di frontiera, e L-Qwen3-0.6B ha registrato un errore assoluto medio di 5,7 anni nella previsione dell’età proteomica Olink rispetto a 10,1 anni per il miglior modello di frontiera, insieme a un’accuratezza bilanciata di 0,890 nella previsione della mortalità a 10 anni di NHANES.

I modelli e i dati del benchmark sono disponibili pubblicamente in una collezione Hugging Face che include il dataset longebench e i modelli longevity-llm 9B, Qwen3-0.6B-Longevity, Qwen3-1.7B-Longevity, LFM2-2.6B-Longevity e LFM2-1.2B-Longevity.

Longevity Claw e scoperta autonoma di target

Il team ha integrato L-Qwen3.5-9B in Longevity Claw, una piattaforma agentica open source che combina il modello specializzato con strumenti per l’analisi dell’arricchimento dei set genici, il calcolo degli orologi biologici dell’invecchiamento, la profilazione a livello di popolazione, il recupero e la sintesi delle evidenze, e la valutazione e priorizzazione dei target candidati. Insilico ha dichiarato che la piattaforma è stata progettata per formulare ed eseguire flussi di lavoro di ricerca multi-step piuttosto che rispondere solo a singole domande.

Distribuita su 14 riconosciuti hallmark dell’invecchiamento, la piattaforma ha nominato 328 geni come potenziali bersagli per interventi anti-invecchiamento, e i candidati hanno mostrato un arricchimento statisticamente significativo fino a 5.6‑fold rispetto a un set di riferimento pubblicato indipendentemente di bersagli sperimentalmente supportati legati all’invecchiamento, secondo l’annuncio. Un gene nominato, KDM1A, è stato validato in modo indipendente in uno studio pubblicato separato come bersaglio duale per l’invecchiamento e il cancro la cui modulazione ha prolungato la durata della vita in C. elegans, ha dichiarato l’annuncio.

Il repository GitHub del progetto, pubblicato sotto licenza MIT, documenta LongevityClaw come un agente che prevede l’età biologica su 233 orologi che coprono sei modalità con 429,165 coefficienti, insieme a set di dati di riferimento della popolazione e a un modulo di scoperta di nuovi target che valuta i candidati su sei dimensioni, tra cui novità, druggability, fiducia e sicurezza, attraverso i 14 hallmark.

Rilascio Aperto e Obiettivi Dichiarati

Insilico ha dichiarato di rilasciare il benchmark, i modelli specializzati, le risorse di addestramento, il codice di valutazione e la piattaforma Longevity Claw per consentire test indipendenti, validazione e ulteriore sviluppo da parte dei ricercatori di tutto il mondo.

“Stiamo sviluppando sistemi agentici, con benchmark, che possono evolvere in assistenti di longevità personalizzati e compagni di longevità, aiutando infine le persone a monitorare e migliorare il loro healthspan,” ha detto Alex Zhavoronkov, fondatore e co‑CEO di Insilico Medicine.

Insilico ha affermato che il framework aperto è destinato a fornire agli scienziati una base comune per misurare i progressi nella ricerca sull’invecchiamento abilitata dall’IA e a contribuire a distinguere i sistemi che mostrano un ragionamento biologico genuino da quelli che principalmente riproducono le informazioni contenute nei loro dati di addestramento.