Insilico Medicine rilascia il toolkit AI Longevity Open nello studio su Cell

Insilico Medicine il 17 settembre 2026 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

Il documento, “Un benchmark aperto e modelli linguistici per l’IA nella biologia dell’invecchiamento“, compare su Cell volume 189, numero 19, pagine 5980–5994.e8, datato 17 settembre 2026. È stato pubblicato ad accesso aperto sotto licenza Creative Commons Attribution 4.0 con 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 del numero 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 riassunto del documento, gli autori scrivono che nessun benchmark esistente ha valutato se i sistemi 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 rilevanti per la ricerca sull’invecchiamento.

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

La classifica pubblica del progetto, che traccia 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 di classifica aggregato, dove un valore più basso è migliore, 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 su scala di 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 il documento 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 per la Scienza di Insilico, che l’azienda descrive come un campo 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 classifica aggregato di 4,4, seguito da L-LFM2-2.6B a 7,6 e L-Qwen3-1.7B a 7,8. Tra i risultati selezionati della classifica, L-Qwen3.5-9B ha raggiunto una concordanza di 0,868 nella predizione dell’età basata su metilazione del DNA GEO rispetto a 0,685 per il miglior modello di frontiera, e L-Qwen3-0.6B ha registrato un errore medio assoluto di 5,7 anni nella predizione dell’età proteomica Olink rispetto a 10,1 anni per il miglior modello di frontiera, insieme a un’accuratezza bilanciata di 0,890 nella predizione 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 di arricchimento di set genici, il calcolo dell’orologio biologico di invecchiamento, la profilazione a livello di popolazione, il recupero e la sintesi di 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 a più fasi piuttosto che rispondere solo a domande individuali.

Distribuita su 14 riconosciuti tratti distintivi 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 volte rispetto a un set di riferimento pubblicato indipendentemente di bersagli legati all’invecchiamento supportati sperimentalmente, secondo l’annuncio. Un gene nominato, KDM1A, è stato validato in modo indipendente in uno studio pubblicato separato come bersaglio doppio 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 con licenza MIT, documenta LongevityClaw come un agente che prevede l’età biologica attraverso 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, drugabilità, affidabilità e sicurezza, attraverso i 14 tratti distintivi.

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, validazione e ulteriore sviluppo indipendenti da parte dei ricercatori di tutto il mondo.

“Stiamo sviluppando sistemi agentici benchmarkati che possono evolvere in assistenti di longevità personalizzati e compagni di longevità, contribuendo infine le persone a monitorare e migliorare il loro periodo di vita in buona salute,” 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 per aiutare a distinguere i sistemi che dimostrano un ragionamento biologico autentico da quelli che riproducono principalmente le informazioni contenute nei loro dati di addestramento.